Llama 3.3 70B Instruct (Q4_0_8_8) — 78.5 GBauf Scaleway L40S-2-48G

Überblick

Llama 3.3 70B Instruct ist ein 70B-Parameter dense-Sprachmodell von Meta, mit Fähigkeiten in code, multilingual, tool-calls. Es unterstützt ein Kontextfenster von bis zu 131,072 Tokens.

Llama 3.3 70B Instruct ist ein dichter Transformer mit 70 Milliarden Parametern von Meta, optimiert fuer Instruktionsbefolgung, Codegenerierung und mehrsprachige Konversation. Er liefert eine Leistung, die mit groesseren Modellen der Llama-Familie konkurriert, und bleibt dabei praktisch fuer Single-Node-GPU-Deployments. Das Modell unterstuetzt Tool Calling und acht Sprachen, darunter Englisch, Franzoesisch, Spanisch und Deutsch. Mit einem 128K-Kontextfenster und Grouped-Query Attention quantisiert es effizient bis auf Q4-Stufen fuer selbstgehostete Inferenz auf Consumer-Hardware.

Bei Q4_0_8_8-Quantisierung (Qualitätsstufe low) wiegt das Modell 37.22 GB. Das passt in die 96 GB VRAM von Scaleway L40S-2-48G und ermöglicht vollständige GPU-Inferenz.

Hardwareanforderungen

Modellgröße	37.22 GB
Verfügbarer VRAM	96 GB
Genutzter VRAM	78.5 GB
System-RAM	192 GB
Min. RAM benötigt	0 GB
GPU-Ebenen	80 / 80
Kontextgröße	131.072
Backend	cuda13
Flash Attention	Ja
Lesen von Festplatte	Ja

Bereitstellung

Voraussetzungen

Stellen Sie sicher, dass Ihre GPU-Knoten mit dem NVIDIA Container Toolkit vorbereitet sind:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Befehl

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/llama-3-3-70b-instruct/q4_0_8_8/nvidia-l40s-96gb.yaml) apply

Generierte `values.yaml`

/values/llama-3-3-70b-instruct/q4_0_8_8/nvidia-l40s-96gb.yaml

Werte werden geladen…

llama.cpp installieren

Installieren Sie llama.cpp von den offiziellen Build-Anleitungen für Ihre Plattform und Ihr Backend.

Modell herunterladen

curl -L -o llama-3-3-70b-instruct.gguf "https://huggingface.co/bartowski/Llama-3.3-70B-Instruct-GGUF/resolve/main/Llama-3.3-70B-Instruct-Q4_0_8_8.gguf"

Server starten

llama-server \
  -m llama-3-3-70b-instruct.gguf \
  --n-gpu-layers 80 \
  --ctx-size 131072 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Häufig gestellte Fragen

Wie viel VRAM benötigt Llama 3.3 70B Instruct (Q4_0_8_8)?

Die Q4_0_8_8-Quantisierung von Llama 3.3 70B Instruct benötigt 37.22 GB. Alle 80 Schichten passen in die 96 GB VRAM von Scaleway L40S-2-48G, was volle GPU-Beschleunigung ermöglicht.

Kann ich Llama 3.3 70B Instruct auf Scaleway L40S-2-48G ausführen?

Ja. Scaleway L40S-2-48G bietet 96 GB VRAM, was ausreicht, um Llama 3.3 70B Instruct (Q4_0_8_8) mit allen Schichten auf der GPU für optimale Leistung auszuführen.

Was ist Quantisierung?

Quantisierung reduziert die numerische Präzision eines Modells von seinem ursprünglichen Gleitkommaformat auf eine kompaktere Darstellung. Dies verringert die Dateigröße und den VRAM-Bedarf, wodurch es möglich wird, große Modelle auf Consumer-Hardware auszuführen. Der Kompromiss ist eine geringe Verringerung der Ausgabequalität. Q4_0_8_8 komprimiert Llama 3.3 70B Instruct von seiner ursprünglichen Größe auf 37.22 GB.

Welche Quantisierung sollte ich für Llama 3.3 70B Instruct wählen?

Q4_0_8_8 ist eine niedrigwertige Quantisierung. Hochwertigere Quants (Q8, Q6) bewahren mehr Modellgenauigkeit, benötigen aber mehr VRAM. Niedrigere Quants (Q4, Q3, Q2) reduzieren den VRAM-Verbrauch auf Kosten der Qualität. Wählen Sie basierend auf Ihrer verfügbaren Hardware und Ihren Qualitätsanforderungen.

Was ist Flash Attention und warum ist es aktiviert?

Flash Attention ist ein speichereffizienter Algorithmus, der den Attention-Mechanismus in Transformer-Modellen beschleunigt. Er reduziert den VRAM-Verbrauch während der Inferenz, indem er die Materialisierung der vollständigen Attention-Matrix vermeidet. Für Llama 3.3 70B Instruct auf Scaleway L40S-2-48G ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 96 GB VRAM zu maximieren.

Wie führe ich Llama 3.3 70B Instruct (Q4_0_8_8) mit Ollama aus?

Führen Sie ollama run llama3.3:70b-instruct-q4_0_8_8 aus, um Llama 3.3 70B Instruct (Q4_0_8_8) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026