Llama 3.3 70B Instruct (FP16) — 79.4 GBen OVH a100-1-gpu
Descripción General
Llama 3.3 70B Instruct es un modelo de lenguaje dense de 70B parámetros de Meta, con capacidades de code, multilingual, tool-calls. Admite una ventana de contexto de hasta 131,072 tokens.
Llama 3.3 70B Instruct es un transformador denso de 70.000 millones de parametros de Meta, optimizado para el seguimiento de instrucciones, la generacion de codigo y la conversacion multilingue. Ofrece un rendimiento competitivo con modelos mas grandes de la familia Llama manteniendo la practicidad para despliegues GPU en un solo nodo. El modelo soporta "tool calling" y ocho idiomas, incluidos ingles, frances, espanol y aleman. Con una ventana de contexto de 128K y "grouped-query attention", se cuantiza eficientemente hasta niveles Q4 para inferencia autoalojada en hardware de consumo.
Con cuantización FP16 (nivel de calidad full-precision), el modelo pesa 131.43 GB. Esto excede los 80 GB de VRAM de OVH a100-1-gpu. La inferencia sigue siendo posible mediante descarga a CPU o carga mapeada en memoria desde disco, pero con un rendimiento significativamente reducido.
La NVIDIA A100 80 GB es una GPU de datacenter con 80 GB de HBM2e VRAM y 2039 GB/s de ancho de banda de memoria. Ofrece 312 FP16 TFLOPS, permitiendo una inferencia rapida en grandes modelos de lenguaje de hasta 70B parametros con cuantizacion moderada. Ideal para equipos de datacenter que ejecutan cargas de trabajo LLM en produccion y requieren alta capacidad de memoria y rendimiento.
Requisitos de Hardware
| Tamaño del modelo | 131.43 GB |
| VRAM disponible | 80 GB |
| VRAM utilizada | 79.4 GB |
| RAM del sistema | 160 GB |
| RAM mín. requerida | 54.2 GB |
| Capas GPU | 47 / 80 |
| Tamaño del contexto | 3080 |
| Backend | cuda13 |
| Flash attention | Sí |
| Lectura desde disco | Sí |
Notas de rendimiento
Despliegue
Prerrequisitos
Asegúrese de que sus nodos GPU estén preparados con el NVIDIA container toolkit:
ansible-playbook prositronic.infra.nvidia_container_toolkitComando
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/llama-3-3-70b-instruct/fp16/nvidia-a100-80gb.yaml) applyArchivo values.yaml
/values/llama-3-3-70b-instruct/fp16/nvidia-a100-80gb.yaml
Cargando valores…Preguntas frecuentes
¿Cuánta VRAM necesita Llama 3.3 70B Instruct (FP16)?
La cuantización FP16 de Llama 3.3 70B Instruct requiere 131.43 GB. 47 de 80 capas caben en los 80 GB de VRAM de OVH a100-1-gpu; las capas restantes se descargan al CPU.
¿Puedo ejecutar Llama 3.3 70B Instruct en OVH a100-1-gpu?
Sí, con rendimiento reducido. OVH a100-1-gpu puede ejecutar Llama 3.3 70B Instruct (FP16), pero solo 47 de 80 capas caben en la VRAM. El resto se descarga al CPU.
¿Qué es la cuantización?
La cuantización reduce la precisión numérica de un modelo de su formato original de punto flotante a una representación más compacta. Esto reduce el tamaño del archivo y la huella de VRAM, haciendo posible ejecutar modelos grandes en hardware de consumo. La contrapartida es una pequeña reducción en la calidad de salida. FP16 comprime Llama 3.3 70B Instruct de su tamaño original a 131.43 GB.
¿Qué cuantización debo elegir para Llama 3.3 70B Instruct?
FP16 es una cuantización de precisión completa. Los quants de mayor calidad (Q8, Q6) preservan más precisión del modelo pero necesitan más VRAM. Los quants inferiores (Q4, Q3, Q2) reducen el uso de VRAM a costa de cierta calidad. Elija según su hardware disponible y requisitos de calidad.
¿Qué es flash attention y por qué está activado?
Flash attention es un algoritmo eficiente en memoria que acelera el mecanismo de atención en modelos transformer. Reduce el uso de VRAM durante la inferencia evitando la materialización de la matriz de atención completa. Para Llama 3.3 70B Instruct en OVH a100-1-gpu, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 80 GB de VRAM disponibles.
¿Por qué se descargan algunas capas al CPU?
OVH a100-1-gpu tiene 80 GB de VRAM, pero Llama 3.3 70B Instruct (FP16) requiere aproximadamente 131.43 GB. Solo 47 de 80 capas caben en la VRAM; las capas restantes se ejecutan en el CPU, que es más lento pero funcional.
¿Cómo ejecutar Llama 3.3 70B Instruct (FP16) con Ollama?
Ejecute ollama run llama3.3:70b-instruct-fp16 para iniciar Llama 3.3 70B Instruct (FP16). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.