Llama 3.3 70B Instruct (Q6_K_L) — 31.4 GBauf NVIDIA V100S

Q6_K_L NVIDIA V100S

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 Q6_K_L-Quantisierung (Qualitätsstufe low) wiegt das Modell 54.39 GB. Das übersteigt die 32 GB VRAM von NVIDIA V100S. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Hardwareanforderungen

Modellgröße	54.39 GB
Verfügbarer VRAM	32 GB
Genutzter VRAM	31.4 GB
Min. RAM benötigt	24.5 GB
GPU-Ebenen	44 / 80
Kontextgröße	788
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Reduzierte Leistung

36 von 80 Schichten laufen auf der CPU. Ihr System benötigt mindestens 24.5 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/q6_k_l/nvidia-v100s.yaml) apply

Generierte values.yaml

/values/llama-3-3-70b-instruct/q6_k_l/nvidia-v100s.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-Q6_K_L/Llama-3.3-70B-Instruct-Q6_K_L-00001-of-00002.gguf"

Server starten

llama-server \
  -m llama-3-3-70b-instruct.gguf \
  --n-gpu-layers 44 \
  --ctx-size 788 \
  --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 (Q6_K_L)?

Die Q6_K_L-Quantisierung von Llama 3.3 70B Instruct benötigt 54.39 GB. 44 von 80 Schichten passen in die 32 GB VRAM von NVIDIA V100S; die übrigen Schichten werden auf die CPU ausgelagert.

Kann ich Llama 3.3 70B Instruct auf NVIDIA V100S ausführen?

Ja, mit reduzierter Leistung. NVIDIA V100S kann Llama 3.3 70B Instruct (Q6_K_L) ausführen, aber nur 44 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. Q6_K_L komprimiert Llama 3.3 70B Instruct von seiner ursprünglichen Größe auf 54.39 GB.

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

Q6_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 V100S ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 32 GB VRAM zu maximieren.

Warum werden einige Schichten auf die CPU ausgelagert?

NVIDIA V100S hat 32 GB VRAM, aber Llama 3.3 70B Instruct (Q6_K_L) benötigt ungefähr 54.39 GB. Nur 44 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 (Q6_K_L) mit Ollama aus?

Führen Sie ollama run llama3.3:70b-instruct-q6_k_l aus, um Llama 3.3 70B Instruct (Q6_K_L) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026