Llama 4 Maverick 17B 128E Instruct (Q4_K_S) — 79.4 GBauf OVH h100-1-gpu

Q4_K_S OVH h100-1-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_S-Quantisierung (Qualitätsstufe medium) wiegt das Modell 212.16 GB. Das übersteigt die 80 GB VRAM von OVH h100-1-gpu. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Die NVIDIA H100 80 GB ist eine Datacenter-GPU mit 80 GB HBM3 VRAM und 3350 GB/s Speicherbandbreite. Sie liefert 1979 FP16 TFLOPS auf der Hopper-Architektur und ist damit die schnellste Einzel-GPU-Option fuer Large-Language-Model-Inferenz. Sie verarbeitet Modelle mit bis zu 70B Parametern bei hohem Durchsatz. Entwickelt fuer Datacenter-Teams mit anspruchsvollen produktiven KI-Workloads.

Hardwareanforderungen

Modellgröße	212.16 GB
Verfügbarer VRAM	80 GB
Genutzter VRAM	79.4 GB
System-RAM	350 GB
Min. RAM benötigt	211.7 GB
GPU-Ebenen	48 / 48
Kontextgröße	424.573
Backend	cuda13
Flash Attention	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 →

Minimale Leistungseinbußen

Alle Expertengewichte auf CPU ausgelagert — nur 1/128 Experten werden pro Token aktiviert, daher ist der Leistungseinfluss vernachlässigbar.

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_s/nvidia-h100-80gb.yaml) apply

Generierte values.yaml

/values/llama-4-maverick-17b-128e-instruct/q4_k_s/nvidia-h100-80gb.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_S/Llama-4-Maverick-17B-128E-Instruct-Q4_K_S-00001-of-00005.gguf"

Server starten

llama-server \
  -m llama-4-maverick-17b-128e-instruct.gguf \
  --n-gpu-layers 48 \
  --ctx-size 424573 \
  --flash-attn \
  -ot ".ffn_.*_exps.=CPU"

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)
• Llama 4 Maverick 17B 128E Instruct (Q4_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 RTX 3090

Häufig gestellte Fragen

Wie viel VRAM benötigt Llama 4 Maverick 17B 128E Instruct (Q4_K_S)?

Die Q4_K_S-Quantisierung von Llama 4 Maverick 17B 128E Instruct benötigt 212.16 GB. Alle 48 Schichten passen in die 80 GB VRAM von OVH h100-1-gpu, was volle GPU-Beschleunigung ermöglicht.

Kann ich Llama 4 Maverick 17B 128E Instruct auf OVH h100-1-gpu ausführen?

Ja. OVH h100-1-gpu bietet 80 GB VRAM, was ausreicht, um Llama 4 Maverick 17B 128E Instruct (Q4_K_S) 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_S komprimiert Llama 4 Maverick 17B 128E Instruct von seiner ursprünglichen Größe auf 212.16 GB.

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

Q4_K_S 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.

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 4 Maverick 17B 128E Instruct auf OVH h100-1-gpu ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 80 GB VRAM zu maximieren.

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_S) mit Ollama aus?

Führen Sie ollama run llama4:17b-maverick-128e-instruct-q4_k_s aus, um Llama 4 Maverick 17B 128E Instruct (Q4_K_S) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 20. März 2026