Meta Llama 3.1 8B Instruct (FP32) — 19.4 GBauf Hetzner GEX44

FP32 Hetzner GEX44

Überblick

Meta Llama 3.1 8B Instruct ist ein 8B-Parameter dense-Sprachmodell von Meta, mit Fähigkeiten in code, multilingual, tool-calls. Es unterstützt ein Kontextfenster von bis zu 131,072 Tokens.

Meta Llama 3.1 8B Instruct ist ein dichter Transformer mit 8 Milliarden Parametern von Meta, entwickelt fuer Instruktionsbefolgung, Codegenerierung und mehrsprachige Aufgaben. Er bietet eine starke Balance aus Qualitaet und Effizienz in der Kategorie kleiner Modelle und uebertrifft viele 7B-Klasse-Alternativen in Standard-Benchmarks. Das Modell unterstuetzt Tool Calling und acht Sprachen, darunter Englisch, Deutsch und Franzoesisch. Mit einem 128K-Kontextfenster und Flash-Attention-Unterstuetzung laeuft es komfortabel auf einer einzelnen Consumer-GPU bei Q4-Quantisierungsstufen.

Bei FP32-Quantisierung (Qualitätsstufe full-precision) wiegt das Modell 29.92 GB. Das übersteigt die 20 GB VRAM von Hetzner GEX44. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Hardwareanforderungen

Modellgröße	29.92 GB
Verfügbarer VRAM	20 GB
Genutzter VRAM	19.4 GB
System-RAM	64 GB
Min. RAM benötigt	12.2 GB
GPU-Ebenen	19 / 32
Kontextgröße	3.197
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Reduzierte Leistung

13 von 32 Schichten werden auf der CPU ausgeführt, was die Inferenzgeschwindigkeit verringern kann.

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/meta-llama-3-1-8b-instruct/fp32/nvidia-rtx4000sff.yaml) apply

Generierte values.yaml

/values/meta-llama-3-1-8b-instruct/fp32/nvidia-rtx4000sff.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 meta-llama-3-1-8b-instruct.gguf "https://huggingface.co/bartowski/Meta-Llama-3.1-8B-Instruct-GGUF/resolve/main/Meta-Llama-3.1-8B-Instruct-f32.gguf"

Server starten

llama-server \
  -m meta-llama-3-1-8b-instruct.gguf \
  --n-gpu-layers 19 \
  --ctx-size 3197 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• Meta Llama 3.1 8B Instruct (Q8_0)
• Meta Llama 3.1 8B Instruct (Q5_K_M)
• Meta Llama 3.1 8B Instruct (Q4_K_M)

Andere Hardware

• Meta Llama 3.1 8B Instruct on CPU Only
• Meta Llama 3.1 8B Instruct on NVIDIA A100 80GB
• Meta Llama 3.1 8B Instruct on NVIDIA H100

Häufig gestellte Fragen

Wie viel VRAM benötigt Meta Llama 3.1 8B Instruct (FP32)?

Die FP32-Quantisierung von Meta Llama 3.1 8B Instruct benötigt 29.92 GB. 19 von 32 Schichten passen in die 20 GB VRAM von Hetzner GEX44; die übrigen Schichten werden auf die CPU ausgelagert.

Kann ich Meta Llama 3.1 8B Instruct auf Hetzner GEX44 ausführen?

Ja, mit reduzierter Leistung. Hetzner GEX44 kann Meta Llama 3.1 8B Instruct (FP32) ausführen, aber nur 19 von 32 Schichten passen in den VRAM. Der Rest wird auf die CPU ausgelagert.

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. FP32 komprimiert Meta Llama 3.1 8B Instruct von seiner ursprünglichen Größe auf 29.92 GB.

Welche Quantisierung sollte ich für Meta Llama 3.1 8B Instruct wählen?

FP32 ist eine Vollpräzisions- 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 Meta Llama 3.1 8B Instruct auf Hetzner GEX44 ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 20 GB VRAM zu maximieren.

Warum werden einige Schichten auf die CPU ausgelagert?

Hetzner GEX44 hat 20 GB VRAM, aber Meta Llama 3.1 8B Instruct (FP32) benötigt ungefähr 29.92 GB. Nur 19 von 32 Schichten passen in den VRAM; die übrigen Schichten laufen auf der CPU, was langsamer, aber funktional ist.

Wie führe ich Meta Llama 3.1 8B Instruct (FP32) mit Ollama aus?

Führen Sie ollama run llama3.1:8b-instruct-fp32 aus, um Meta Llama 3.1 8B Instruct (FP32) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026