Llama 3.3 70B Instruct (Q4_K_L) — 63.4 GBauf Apple M3 Max 64GB
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_K_L-Quantisierung (Qualitätsstufe low) wiegt das Modell 40.33 GB. Das passt in die 64 GB VRAM von Apple M3 Max 64GB und ermöglicht vollständige GPU-Inferenz.
Hardwareanforderungen
| Modellgröße | 40.33 GB |
| Verfügbarer VRAM | 64 GB |
| Genutzter VRAM | 63.4 GB |
| System-RAM | |
| Min. RAM benötigt | 0 GB |
| GPU-Ebenen | 80 / 80 |
| Kontextgröße | 71.517 |
| Backend | metal |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Leistungshinweise
Bereitstellung
llama.cpp installieren
brew install llama.cppModell 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_K_L.gguf"Server starten
llama-server \
-m llama-3-3-70b-instruct.gguf \
--n-gpu-layers 80 \
--ctx-size 71517 \
--flash-attnÜberprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt Llama 3.3 70B Instruct (Q4_K_L)?
Die Q4_K_L-Quantisierung von Llama 3.3 70B Instruct benötigt 40.33 GB. Alle 80 Schichten passen in die 64 GB VRAM von Apple M3 Max 64GB, was volle GPU-Beschleunigung ermöglicht.
Kann ich Llama 3.3 70B Instruct auf Apple M3 Max 64GB ausführen?
Ja. Apple M3 Max 64GB bietet 64 GB VRAM, was ausreicht, um Llama 3.3 70B Instruct (Q4_K_L) 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_K_L komprimiert Llama 3.3 70B Instruct von seiner ursprünglichen Größe auf 40.33 GB.
Welche Quantisierung sollte ich für Llama 3.3 70B Instruct wählen?
Q4_K_L 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 Apple M3 Max 64GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 64 GB VRAM zu maximieren.
Wie führe ich Llama 3.3 70B Instruct (Q4_K_L) mit Ollama aus?
Führen Sie ollama run llama3.3:70b-instruct-q4_k_l aus, um Llama 3.3 70B Instruct (Q4_K_L) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.