Llama 4 Maverick 17B 128E Instruct (Q5_K_M) — 49.3 GBauf NVIDIA L4

Q5_K_M NVIDIA L4

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 Q5_K_M-Quantisierung (Qualitätsstufe medium) wiegt das Modell 264.93 GB. Das übersteigt die 24 GB VRAM von NVIDIA L4. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Die NVIDIA L4 ist eine Datacenter-Inferenz-GPU mit 24 GB GDDR6 VRAM und 300 GB/s Speicherbandbreite. Sie liefert 121 FP16 TFLOPS mit Ada-Lovelace- Architektur. Konzipiert fuer effiziente, stromsparende Inferenz-Workloads in Cloud- und Edge-Deployments. Verarbeitet quantisierte Modelle bis 20B Parameter.

Hardwareanforderungen

Modellgröße	264.93 GB
Verfügbarer VRAM	24 GB
Genutzter VRAM	49.3 GB
Min. RAM benötigt	264.9 GB
GPU-Ebenen	0 / 48
Kontextgröße	262.144
Backend	cuda13
Flash Attention	Nein

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 laufen auf der CPU. Ihr System benötigt mindestens 264.9 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-4-maverick-17b-128e-instruct/q5_k_m/nvidia-l4.yaml) apply

Generierte values.yaml

/values/llama-4-maverick-17b-128e-instruct/q5_k_m/nvidia-l4.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/Q5_K_M/Llama-4-Maverick-17B-128E-Instruct-Q5_K_M-00001-of-00006.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 (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 H100

Häufig gestellte Fragen

Wie viel VRAM benötigt Llama 4 Maverick 17B 128E Instruct (Q5_K_M)?

Die Q5_K_M-Quantisierung von Llama 4 Maverick 17B 128E Instruct benötigt 264.93 GB. Die 24 GB VRAM von NVIDIA L4 reichen nicht für GPU-Schichten aus, daher läuft die Inferenz auf der CPU.

Kann ich Llama 4 Maverick 17B 128E Instruct auf NVIDIA L4 ausführen?

Es ist möglich, aber nicht empfohlen. NVIDIA L4 hat nicht genug VRAM, um Llama 4 Maverick 17B 128E Instruct (Q5_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. Q5_K_M komprimiert Llama 4 Maverick 17B 128E Instruct von seiner ursprünglichen Größe auf 264.93 GB.

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

Q5_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?

NVIDIA L4 hat 24 GB VRAM, aber Llama 4 Maverick 17B 128E Instruct (Q5_K_M) benötigt ungefähr 264.93 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 (Q5_K_M) mit Ollama aus?

Führen Sie ollama run llama4:17b-maverick-128e-instruct-q5_k_m aus, um Llama 4 Maverick 17B 128E Instruct (Q5_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026