Llama 3.3 70B Instruct (Q4_K_M)auf CPU Only

Q4_K_M CPU Only

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_M-Quantisierung (Qualitätsstufe medium) wiegt das Modell 39.6 GB. Das übersteigt die 0 GB VRAM von CPU Only. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Eine reine CPU-Konfiguration ohne GPU-Beschleunigung. Die Inferenz laeuft vollstaendig auf der CPU, was erheblich langsamer ist als GPU-beschleunigte Setups, aber keine Spezialhardware erfordert. Leistung und maximale Modellgroesse haengen vom verfuegbaren Arbeitsspeicher ab. Geeignet fuer Tests, Entwicklung oder Deployments ohne verfuegbare GPU.

Hardwareanforderungen

Modellgröße	39.6 GB
Verfügbarer VRAM	0 GB
Genutzter VRAM	0 GB
Min. RAM benötigt	39.6 GB
GPU-Ebenen	0 / 80
Kontextgröße	131.072
Backend	cpu
Flash Attention	Nein

Leistungshinweise

Reduzierte Leistung

80 von 80 Schichten laufen auf der CPU. Ihr System benötigt mindestens 39.6 GB RAM. Bei unzureichendem System-RAM werden Daten bei Bedarf von der Festplatte gelesen, mit erheblichen Leistungseinbußen.

Bereitstellung

Server Lokal

Befehl

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/llama-3-3-70b-instruct/q4_k_m/cpu.yaml) apply

Generierte values.yaml

/values/llama-3-3-70b-instruct/q4_k_m/cpu.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_M.gguf"

Server starten

llama-server \
  -m llama-3-3-70b-instruct.gguf \
  --n-gpu-layers 0 \
  --ctx-size 131072

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 NVIDIA A100 80GB
• Llama 3.3 70B Instruct on NVIDIA H100
• Llama 3.3 70B Instruct on NVIDIA RTX 3090

Häufig gestellte Fragen

Wie viel VRAM benötigt Llama 3.3 70B Instruct (Q4_K_M)?

Die Q4_K_M-Quantisierung von Llama 3.3 70B Instruct benötigt 39.6 GB. Die 0 GB VRAM von CPU Only reichen nicht für GPU-Schichten aus, daher läuft die Inferenz auf der CPU.

Kann ich Llama 3.3 70B Instruct auf CPU Only ausführen?

Es ist möglich, aber nicht empfohlen. CPU Only hat nicht genug VRAM, um Llama 3.3 70B Instruct (Q4_K_M) zu beschleunigen, daher wird die Inferenz auf CPU und System-RAM zurückgreifen.

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_M komprimiert Llama 3.3 70B Instruct von seiner ursprünglichen Größe auf 39.6 GB.

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

Q4_K_M ist eine mittelwertige 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.

Warum werden einige Schichten auf die CPU ausgelagert?

CPU Only hat 0 GB VRAM, aber Llama 3.3 70B Instruct (Q4_K_M) benötigt ungefähr 39.6 GB. Nur 0 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_M) mit Ollama aus?

Führen Sie ollama run llama3.3:70b-instruct-q4_k_m aus, um Llama 3.3 70B Instruct (Q4_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026