Llama 4 Scout 17B 16E Instruct (Q3_K_XL) — 639.4 GBauf NVIDIA H100 640GB

Q3_K_XL NVIDIA H100 640GB

Überblick

Llama 4 Scout 17B 16E Instruct ist ein 17B-Parameter moe-Sprachmodell von Meta, mit Fähigkeiten in code, multilingual, tool-calls, vision. Es unterstützt ein Kontextfenster von bis zu 10,485,760 Tokens.

Llama 4 Scout 17B 16E Instruct ist ein Mixture-of-Experts-Modell von Meta mit 17 Milliarden Parametern pro Experte und 16 Experten, wobei ein Experte pro Token aktiviert wird. Es unterstuetzt Vision, Codegenerierung, Tool Calling und 12 Sprachen und ist damit eines der vielseitigsten Modelle der Llama-4-Familie. Scout zielt auf das effizienzbetonte Segment und bietet multimodale Faehigkeiten bei geringeren Rechenkosten als dichte Modelle vergleichbarer Qualitaet. Sein 10M-Token-Kontextfenster gehoert zu den groessten verfuegbaren, und es laesst sich gut fuer selbstgehostete Multi-GPU-Deployments quantisieren.

Bei Q3_K_XL-Quantisierung (Qualitätsstufe low) wiegt das Modell 45.65 GB. Das passt in die 640 GB VRAM von NVIDIA H100 640GB und ermöglicht vollständige GPU-Inferenz.

Hardwareanforderungen

Modellgröße	45.65 GB
Verfügbarer VRAM	640 GB
Genutzter VRAM	639.4 GB
GPU-Ebenen	48 / 48
Kontextgröße	3.235.868
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Mixture-of-Experts

Dies ist ein Mixture-of-Experts-Modell mit 16 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 →

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-scout-17b-16e-instruct/q3_k_xl/nvidia-h100-640gb.yaml) apply

Generierte values.yaml

/values/llama-4-scout-17b-16e-instruct/q3_k_xl/nvidia-h100-640gb.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-scout-17b-16e-instruct.gguf "https://huggingface.co/unsloth/Llama-4-Scout-17B-16E-Instruct-GGUF/resolve/main/Llama-4-Scout-17B-16E-Instruct-UD-Q3_K_XL.gguf"

Server starten

llama-server \
  -m llama-4-scout-17b-16e-instruct.gguf \
  --n-gpu-layers 48 \
  --ctx-size 3235868 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• Llama 4 Scout 17B 16E Instruct (Q8_0)
• Llama 4 Scout 17B 16E Instruct (Q5_K_M)
• Llama 4 Scout 17B 16E Instruct (Q4_K_M)

Andere Hardware

• Llama 4 Scout 17B 16E Instruct on CPU Only
• Llama 4 Scout 17B 16E Instruct on NVIDIA A100 80GB
• Llama 4 Scout 17B 16E Instruct on NVIDIA H100

Häufig gestellte Fragen

Wie viel VRAM benötigt Llama 4 Scout 17B 16E Instruct (Q3_K_XL)?

Die Q3_K_XL-Quantisierung von Llama 4 Scout 17B 16E Instruct benötigt 45.65 GB. Alle 48 Schichten passen in die 640 GB VRAM von NVIDIA H100 640GB, was volle GPU-Beschleunigung ermöglicht.

Kann ich Llama 4 Scout 17B 16E Instruct auf NVIDIA H100 640GB ausführen?

Ja. NVIDIA H100 640GB bietet 640 GB VRAM, was ausreicht, um Llama 4 Scout 17B 16E Instruct (Q3_K_XL) 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. Q3_K_XL komprimiert Llama 4 Scout 17B 16E Instruct von seiner ursprünglichen Größe auf 45.65 GB.

Welche Quantisierung sollte ich für Llama 4 Scout 17B 16E Instruct wählen?

Q3_K_XL 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 4 Scout 17B 16E Instruct auf NVIDIA H100 640GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 640 GB VRAM zu maximieren.

Was ist MoE und wie beeinflusst es die Bereitstellung?

Llama 4 Scout 17B 16E Instruct verwendet eine Mixture-of-Experts (MoE)-Architektur mit 16 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 Scout 17B 16E Instruct (Q3_K_XL) mit Ollama aus?

Führen Sie ollama run llama4:17b-scout-16e-instruct-q3_k_xl aus, um Llama 4 Scout 17B 16E Instruct (Q3_K_XL) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026