Zum Inhalt springen
Prositronic

Llama 4 Maverick 17B 128E Instruct (Q2_K) — 49.3 GBauf Apple M2 Pro 16GB

Meta
Code Multilingual Tool Calls Vision
Q2_K Apple M2 Pro 16GB

Überblick

Llama 4 Maverick 17B 128E Instruct ist ein 396.58B-Parameter moe-Sprachmodell von Meta, mit Fähigkeiten in code, multilingual, tool-calls, vision. Es unterstützt ein Kontextfenster von bis zu 1,048,576 Tokens.

Llama 4 Maverick 17B 128E Instruct ist ein grosses Mixture-of-Experts-Modell von Meta mit 17 Milliarden Parametern pro Experte und 128 Experten, wobei ein Experte pro Token aktiviert wird -- insgesamt rund 400 Milliarden Parameter. Es liefert Spitzenleistungen bei Vision, Codegenerierung und mehrsprachigen Aufgaben in 12 Sprachen. Maverick bildet die leistungsstarke Stufe der Llama-4-Familie und tauscht hoehere Speicheranforderungen gegen staerkere Benchmark-Ergebnisse. Mit einem 1M-Token-Kontextfenster erfordert es Multi-GPU-Setups, laesst sich aber bis auf Q2-Stufen quantisieren.

Bei Q2_K-Quantisierung (Qualitätsstufe low) wiegt das Modell 135.64 GB. Das übersteigt die 16 GB VRAM von Apple M2 Pro 16GB. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Hardwareanforderungen

Modellgröße 135.64 GB
Verfügbarer VRAM 16 GB
Genutzter VRAM 49.3 GB
Min. RAM benötigt 135.6 GB
GPU-Ebenen 0 / 48
Kontextgröße 262.144
Backend metal
Flash Attention Nein

Leistungshinweise

Bereitstellung

llama.cpp installieren

brew install llama.cpp

Modell herunterladen

curl -L -o llama-4-maverick-17b-128e-instruct.gguf "https://huggingface.co/unsloth/Llama-4-Maverick-17B-128E-Instruct-GGUF/resolve/main/Q2_K/Llama-4-Maverick-17B-128E-Instruct-Q2_K-00001-of-00003.gguf"

Server starten

llama-server \
  -m llama-4-maverick-17b-128e-instruct.gguf \
  --n-gpu-layers 0 \
  --ctx-size 262144

Überprüfen

curl http://localhost:8080/health

Häufig gestellte Fragen

Wie viel VRAM benötigt Llama 4 Maverick 17B 128E Instruct (Q2_K)?

Die Q2_K-Quantisierung von Llama 4 Maverick 17B 128E Instruct benötigt 135.64 GB. Die 16 GB VRAM von Apple M2 Pro 16GB reichen nicht für GPU-Schichten aus, daher läuft die Inferenz auf der CPU.

Kann ich Llama 4 Maverick 17B 128E Instruct auf Apple M2 Pro 16GB ausführen?

Es ist möglich, aber nicht empfohlen. Apple M2 Pro 16GB hat nicht genug VRAM, um Llama 4 Maverick 17B 128E Instruct (Q2_K) 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. Q2_K komprimiert Llama 4 Maverick 17B 128E Instruct von seiner ursprünglichen Größe auf 135.64 GB.

Welche Quantisierung sollte ich für Llama 4 Maverick 17B 128E Instruct wählen?

Q2_K 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.

Warum werden einige Schichten auf die CPU ausgelagert?

Apple M2 Pro 16GB hat 16 GB VRAM, aber Llama 4 Maverick 17B 128E Instruct (Q2_K) benötigt ungefähr 135.64 GB. Nur 0 von 48 Schichten passen in den VRAM; die übrigen Schichten laufen auf der CPU, was langsamer, aber funktional ist.

Was ist MoE und wie beeinflusst es die Bereitstellung?

Llama 4 Maverick 17B 128E Instruct verwendet eine Mixture-of-Experts (MoE)-Architektur mit 128 Experten, von denen 1 pro Token aktiv sind. Das bedeutet, dass nur ein Bruchteil der Modellgewichte bei jedem Inferenzschritt verwendet wird, wodurch MoE-Modelle bei der Gesamtparameteranzahl größer sein können und dennoch bei der Inferenz effizient bleiben.

Wie führe ich Llama 4 Maverick 17B 128E Instruct (Q2_K) mit Ollama aus?

Führen Sie ollama run llama4:17b-maverick-128e-instruct-q2_k aus, um Llama 4 Maverick 17B 128E Instruct (Q2_K) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026