Llama 3.3 70B Instruct (Q4_K_L) — 23.4 GBauf NVIDIA A10

Q4_K_L NVIDIA A10

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 übersteigt die 24 GB VRAM von NVIDIA A10. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Hardwareanforderungen

Modellgröße	40.33 GB
Verfügbarer VRAM	24 GB
Genutzter VRAM	23.4 GB
Min. RAM benötigt	18.7 GB
GPU-Ebenen	43 / 80
Kontextgröße	1.565
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Reduzierte Leistung

37 von 80 Schichten laufen auf der CPU. Ihr System benötigt mindestens 18.7 GB RAM. Bei unzureichendem System-RAM werden Daten bei Bedarf von der Festplatte gelesen, mit erheblichen Leistungseinbußen.

Kürzere Gespräche

Die Kontextgröße wurde aufgrund von Speicherbeschränkungen reduziert. Dies kann die Fähigkeit des Modells beeinträchtigen, lange Gespräche zu führen.

Bereitstellung

Server Lokal

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_k_l/nvidia-a10.yaml) apply

Generierte values.yaml

/values/llama-3-3-70b-instruct/q4_k_l/nvidia-a10.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_K_L.gguf"

Server starten

llama-server \
  -m llama-3-3-70b-instruct.gguf \
  --n-gpu-layers 43 \
  --ctx-size 1565 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• Llama 3.3 70B Instruct (FP16)
• Llama 3.3 70B Instruct (Q8_0)
• Llama 3.3 70B Instruct (Q5_K_M)

Andere Hardware

• Llama 3.3 70B Instruct on CPU Only
• Llama 3.3 70B Instruct on NVIDIA A100 80GB
• Llama 3.3 70B Instruct on NVIDIA H100

Häufig 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. 43 von 80 Schichten passen in die 24 GB VRAM von NVIDIA A10; die übrigen Schichten werden auf die CPU ausgelagert.

Kann ich Llama 3.3 70B Instruct auf NVIDIA A10 ausführen?

Ja, mit reduzierter Leistung. NVIDIA A10 kann Llama 3.3 70B Instruct (Q4_K_L) ausführen, aber nur 43 von 80 Schichten passen in den VRAM. Der Rest wird auf die CPU ausgelagert.

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 NVIDIA A10 ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 24 GB VRAM zu maximieren.

Warum werden einige Schichten auf die CPU ausgelagert?

NVIDIA A10 hat 24 GB VRAM, aber Llama 3.3 70B Instruct (Q4_K_L) benötigt ungefähr 40.33 GB. Nur 43 von 80 Schichten passen in den VRAM; die übrigen Schichten laufen auf der CPU, was langsamer, aber funktional ist.

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.

Zuletzt aktualisiert: 5. März 2026