Meta Llama 3.1 8B Instruct (Q3_K_M) — 21 GBauf Apple M4 Max 128GB
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 Q3_K_M-Quantisierung (Qualitätsstufe low) wiegt das Modell 3.74 GB. Das passt in die 128 GB VRAM von Apple M4 Max 128GB und ermöglicht vollständige GPU-Inferenz.
Hardwareanforderungen
| Modellgröße | 3.74 GB |
| Verfügbarer VRAM | 128 GB |
| Genutzter VRAM | 21 GB |
| System-RAM | |
| Min. RAM benötigt | 0 GB |
| GPU-Ebenen | 32 / 32 |
| Kontextgröße | 131.072 |
| Backend | metal |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Bereitstellung
llama.cpp installieren
brew install llama.cppModell 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-Q3_K_M.gguf"Server starten
llama-server \
-m meta-llama-3-1-8b-instruct.gguf \
--n-gpu-layers 32 \
--ctx-size 131072 \
--flash-attnÜberprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt Meta Llama 3.1 8B Instruct (Q3_K_M)?
Die Q3_K_M-Quantisierung von Meta Llama 3.1 8B Instruct benötigt 3.74 GB. Alle 32 Schichten passen in die 128 GB VRAM von Apple M4 Max 128GB, was volle GPU-Beschleunigung ermöglicht.
Kann ich Meta Llama 3.1 8B Instruct auf Apple M4 Max 128GB ausführen?
Ja. Apple M4 Max 128GB bietet 128 GB VRAM, was ausreicht, um Meta Llama 3.1 8B Instruct (Q3_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. Q3_K_M komprimiert Meta Llama 3.1 8B Instruct von seiner ursprünglichen Größe auf 3.74 GB.
Welche Quantisierung sollte ich für Meta Llama 3.1 8B Instruct wählen?
Q3_K_M 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 Meta Llama 3.1 8B Instruct auf Apple M4 Max 128GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 128 GB VRAM zu maximieren.
Wie führe ich Meta Llama 3.1 8B Instruct (Q3_K_M) mit Ollama aus?
Führen Sie ollama run llama3.1:8b-instruct-q3_k_m aus, um Meta Llama 3.1 8B Instruct (Q3_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.