Llama 3.3 70B Instruct (Q4_0_4_8)en CPU Only
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 Q4_0_4_8 (nivel de calidad low), el modelo pesa 37.22 GB. Esto excede los 0 GB de VRAM de CPU Only. La inferencia sigue siendo posible mediante descarga a CPU o carga mapeada en memoria desde disco, pero con un rendimiento significativamente reducido.
Una configuracion solo CPU sin aceleracion GPU. La inferencia se ejecuta completamente en la CPU, lo que es significativamente mas lento que las configuraciones con GPU, pero no requiere hardware especializado. El rendimiento y el tamano maximo del modelo dependen de la RAM disponible. Adecuada para pruebas, desarrollo o despliegues donde no hay GPU disponible.
Requisitos de Hardware
| Tamaño del modelo | 37.22 GB |
| VRAM disponible | 0 GB |
| VRAM utilizada | 0 GB |
| RAM del sistema | |
| RAM mín. requerida | 37.2 GB |
| Capas GPU | 0 / 80 |
| Tamaño del contexto | 131.072 |
| Backend | cpu |
| Flash attention | No |
| Lectura desde disco | Sí |
Notas de rendimiento
Despliegue
Comando
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/llama-3-3-70b-instruct/q4_0_4_8/cpu.yaml) applyArchivo values.yaml
/values/llama-3-3-70b-instruct/q4_0_4_8/cpu.yaml
Cargando valores…Preguntas frecuentes
¿Cuánta VRAM necesita Llama 3.3 70B Instruct (Q4_0_4_8)?
La cuantización Q4_0_4_8 de Llama 3.3 70B Instruct requiere 37.22 GB. Los 0 GB de VRAM de CPU Only son insuficientes para las capas GPU, por lo que la inferencia se ejecuta en el CPU.
¿Puedo ejecutar Llama 3.3 70B Instruct en CPU Only?
Es posible pero no recomendado. CPU Only no tiene suficiente VRAM para acelerar Llama 3.3 70B Instruct (Q4_0_4_8), por lo que la inferencia dependerá del CPU y la RAM del sistema.
¿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. Q4_0_4_8 comprime Llama 3.3 70B Instruct de su tamaño original a 37.22 GB.
¿Qué cuantización debo elegir para Llama 3.3 70B Instruct?
Q4_0_4_8 es una cuantización de baja calidad. 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.
¿Por qué se descargan algunas capas al CPU?
CPU Only tiene 0 GB de VRAM, pero Llama 3.3 70B Instruct (Q4_0_4_8) requiere aproximadamente 37.22 GB. Solo 0 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 (Q4_0_4_8) con Ollama?
Ejecute ollama run llama3.3:70b-instruct-q4_0_4_8 para iniciar Llama 3.3 70B Instruct (Q4_0_4_8). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.