Llama 3.3 70B Instruct (Q4_K_L) — 47.4 GBauf NVIDIA L40S

Q4_K_L NVIDIA L40S

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 48 GB VRAM von NVIDIA L40S und ermöglicht vollständige GPU-Inferenz.

Die NVIDIA L40S ist eine Datacenter-GPU mit 48 GB GDDR6 VRAM und 864 GB/s Speicherbandbreite. Sie liefert 362 FP16 TFLOPS mit Ada-Lovelace-Architektur. Eine vielseitige GPU fuer KI-Inferenz, Training und Grafik-Workloads. Verarbeitet quantisierte Modelle bis 40B Parameter problemlos.

Hardwareanforderungen

Modellgröße	40.33 GB
Verfügbarer VRAM	48 GB
Genutzter VRAM	47.4 GB
GPU-Ebenen	80 / 80
Kontextgröße	19.088
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

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-l40s.yaml) apply

Generierte values.yaml

/values/llama-3-3-70b-instruct/q4_k_l/nvidia-l40s.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 80 \
  --ctx-size 19088 \
  --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. Alle 80 Schichten passen in die 48 GB VRAM von NVIDIA L40S, was volle GPU-Beschleunigung ermöglicht.

Kann ich Llama 3.3 70B Instruct auf NVIDIA L40S ausführen?

Ja. NVIDIA L40S bietet 48 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 NVIDIA L40S ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 48 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.

Zuletzt aktualisiert: 5. März 2026