Llama 4 Scout 17B 16E Instruct (Q5_K_M) — 639.4 GBauf Scaleway H100-SXM-8-80G

Q5_K_M Scaleway H100-SXM-8-80G

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 Q5_K_M-Quantisierung (Qualitätsstufe medium) wiegt das Modell 71.29 GB. Das passt in die 640 GB VRAM von Scaleway H100-SXM-8-80G und ermöglicht vollständige GPU-Inferenz.

Hardwareanforderungen

Modellgröße	71.29 GB
Verfügbarer VRAM	640 GB
Genutzter VRAM	639.4 GB
System-RAM	960 GB
GPU-Ebenen	48 / 48
Kontextgröße	3.095.840
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/q5_k_m/nvidia-h100-640gb.yaml) apply

Generierte values.yaml

/values/llama-4-scout-17b-16e-instruct/q5_k_m/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/Q5_K_M/Llama-4-Scout-17B-16E-Instruct-Q5_K_M-00001-of-00002.gguf"

Server starten

llama-server \
  -m llama-4-scout-17b-16e-instruct.gguf \
  --n-gpu-layers 48 \
  --ctx-size 3095840 \
  --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 (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 (Q5_K_M)?

Die Q5_K_M-Quantisierung von Llama 4 Scout 17B 16E Instruct benötigt 71.29 GB. Alle 48 Schichten passen in die 640 GB VRAM von Scaleway H100-SXM-8-80G, was volle GPU-Beschleunigung ermöglicht.

Kann ich Llama 4 Scout 17B 16E Instruct auf Scaleway H100-SXM-8-80G ausführen?

Ja. Scaleway H100-SXM-8-80G bietet 640 GB VRAM, was ausreicht, um Llama 4 Scout 17B 16E Instruct (Q5_K_M) 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. Q5_K_M komprimiert Llama 4 Scout 17B 16E Instruct von seiner ursprünglichen Größe auf 71.29 GB.

Welche Quantisierung sollte ich für Llama 4 Scout 17B 16E 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.

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 Scaleway H100-SXM-8-80G 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 (Q5_K_M) mit Ollama aus?

Führen Sie ollama run llama4:17b-scout-16e-instruct-q5_k_m aus, um Llama 4 Scout 17B 16E Instruct (Q5_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026