Llama 4 Maverick 17B 128E Instruct (Q4_K_M) — 49.3 GBauf OVH ai1-1-GPU

Q4_K_M OVH ai1-1-GPU

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 Q4_K_M-Quantisierung (Qualitätsstufe medium) wiegt das Modell 226.1 GB. Das übersteigt die 32 GB VRAM von OVH ai1-1-GPU. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Hardwareanforderungen

Modellgröße	226.1 GB
Verfügbarer VRAM	32 GB
Genutzter VRAM	49.3 GB
System-RAM	40 GB
Min. RAM benötigt	226.1 GB
GPU-Ebenen	0 / 48
Kontextgröße	262.144
Backend	cuda13
Flash Attention	Nein
Lesen von Festplatte	Ja

Leistungshinweise

Mixture-of-Experts

Dies ist ein Mixture-of-Experts-Modell mit 128 Experten insgesamt, von denen 1 pro Token aktiv sind. Nur die aktiven Experten benötigen schnellen GPU-Zugriff — inaktive Expertengewichte können im Systemspeicher verbleiben, mit minimalem Einfluss auf die Generierungsgeschwindigkeit.

Zum MoE-Deployment-Leitfaden →

Reduzierte Leistung

48 von 48 Schichten werden auf der CPU ausgeführt, was die Inferenzgeschwindigkeit verringern kann.

Erhebliche Leistungseinbußen

Die Modellgröße übersteigt den verfügbaren VRAM + RAM. Daten werden bei Bedarf von der Festplatte gelesen, was die Inferenz erheblich verlangsamt.

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-4-maverick-17b-128e-instruct/q4_k_m/nvidia-v100s.yaml) apply

Generierte values.yaml

/values/llama-4-maverick-17b-128e-instruct/q4_k_m/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-4-maverick-17b-128e-instruct.gguf "https://huggingface.co/unsloth/Llama-4-Maverick-17B-128E-Instruct-GGUF/resolve/main/Q4_K_M/Llama-4-Maverick-17B-128E-Instruct-Q4_K_M-00001-of-00005.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

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• Llama 4 Maverick 17B 128E Instruct (Q8_0)
• Llama 4 Maverick 17B 128E Instruct (Q5_K_M)

Andere Hardware

• Llama 4 Maverick 17B 128E Instruct on CPU Only
• Llama 4 Maverick 17B 128E Instruct on NVIDIA A100 80GB
• Llama 4 Maverick 17B 128E Instruct on NVIDIA H100

Häufig gestellte Fragen

Wie viel VRAM benötigt Llama 4 Maverick 17B 128E Instruct (Q4_K_M)?

Die Q4_K_M-Quantisierung von Llama 4 Maverick 17B 128E Instruct benötigt 226.1 GB. Die 32 GB VRAM von OVH ai1-1-GPU reichen nicht für GPU-Schichten aus, daher läuft die Inferenz auf der CPU.

Kann ich Llama 4 Maverick 17B 128E Instruct auf OVH ai1-1-GPU ausführen?

Es ist möglich, aber nicht empfohlen. OVH ai1-1-GPU hat nicht genug VRAM, um Llama 4 Maverick 17B 128E 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 4 Maverick 17B 128E Instruct von seiner ursprünglichen Größe auf 226.1 GB.

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

OVH ai1-1-GPU hat 32 GB VRAM, aber Llama 4 Maverick 17B 128E Instruct (Q4_K_M) benötigt ungefähr 226.1 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 (Q4_K_M) mit Ollama aus?

Führen Sie ollama run llama4:17b-maverick-128e-instruct-q4_k_m aus, um Llama 4 Maverick 17B 128E Instruct (Q4_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026