Llama 3.3 70B Instruct (Q4_0_4_8) — 23.4 GBen Scaleway L4-1-24G
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 24 GB de VRAM de Scaleway L4-1-24G. La inferencia sigue siendo posible mediante descarga a CPU o carga mapeada en memoria desde disco, pero con un rendimiento significativamente reducido.
La NVIDIA L4 es una GPU de datacenter para inferencia con 24 GB de GDDR6 VRAM y 300 GB/s de ancho de banda de memoria. Ofrece 121 FP16 TFLOPS con arquitectura Ada Lovelace. Disenada para cargas de inferencia eficientes y de bajo consumo en despliegues cloud y edge. Maneja modelos cuantizados hasta 20B parametros.
Requisitos de Hardware
| Tamaño del modelo | 37.22 GB |
| VRAM disponible | 24 GB |
| VRAM utilizada | 23.4 GB |
| RAM del sistema | 48 GB |
| RAM mín. requerida | 15.4 GB |
| Capas GPU | 47 / 80 |
| Tamaño del contexto | 945 |
| 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/q4_0_4_8/nvidia-l4.yaml) applyArchivo values.yaml
/values/llama-3-3-70b-instruct/q4_0_4_8/nvidia-l4.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. 47 de 80 capas caben en los 24 GB de VRAM de Scaleway L4-1-24G; las capas restantes se descargan al CPU.
¿Puedo ejecutar Llama 3.3 70B Instruct en Scaleway L4-1-24G?
Sí, con rendimiento reducido. Scaleway L4-1-24G puede ejecutar Llama 3.3 70B Instruct (Q4_0_4_8), 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. 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.
¿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 Scaleway L4-1-24G, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 24 GB de VRAM disponibles.
¿Por qué se descargan algunas capas al CPU?
Scaleway L4-1-24G tiene 24 GB de VRAM, pero Llama 3.3 70B Instruct (Q4_0_4_8) requiere aproximadamente 37.22 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 (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.