Llama 3.3 70B Instruct (Q5_K_M) — 79.4 GBen Scaleway H100-1-80G
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 Q5_K_M (nivel de calidad medium), el modelo pesa 46.52 GB. Esto cabe dentro de los 80 GB de VRAM de Scaleway H100-1-80G, lo que permite la inferencia completa en GPU.
La NVIDIA H100 80 GB es una GPU de datacenter con 80 GB de HBM3 VRAM y 3350 GB/s de ancho de banda de memoria. Ofrece 1979 FP16 TFLOPS en la arquitectura Hopper, lo que la convierte en la opcion de GPU unica mas rapida para la inferencia de grandes modelos de lenguaje. Maneja modelos de hasta 70B parametros con alto rendimiento. Disenada para equipos de datacenter que ejecutan cargas de trabajo de IA exigentes en produccion.
Requisitos de Hardware
| Tamaño del modelo | 46.52 GB |
| VRAM disponible | 80 GB |
| VRAM utilizada | 79.4 GB |
| RAM del sistema | 240 GB |
| RAM mín. requerida | 0 GB |
| Capas GPU | 80 / 80 |
| Tamaño del contexto | 103.662 |
| 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/q5_k_m/nvidia-h100-80gb.yaml) applyArchivo values.yaml
/values/llama-3-3-70b-instruct/q5_k_m/nvidia-h100-80gb.yaml
Cargando valores…Preguntas frecuentes
¿Cuánta VRAM necesita Llama 3.3 70B Instruct (Q5_K_M)?
La cuantización Q5_K_M de Llama 3.3 70B Instruct requiere 46.52 GB. Las 80 capas caben en los 80 GB de VRAM disponibles en Scaleway H100-1-80G, permitiendo aceleración GPU completa.
¿Puedo ejecutar Llama 3.3 70B Instruct en Scaleway H100-1-80G?
Sí. Scaleway H100-1-80G proporciona 80 GB de VRAM, suficiente para ejecutar Llama 3.3 70B Instruct (Q5_K_M) con todas las capas en la GPU para un rendimiento óptimo.
¿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. Q5_K_M comprime Llama 3.3 70B Instruct de su tamaño original a 46.52 GB.
¿Qué cuantización debo elegir para Llama 3.3 70B Instruct?
Q5_K_M es una cuantización de calidad media. 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 H100-1-80G, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 80 GB de VRAM disponibles.
¿Cómo ejecutar Llama 3.3 70B Instruct (Q5_K_M) con Ollama?
Ejecute ollama run llama3.3:70b-instruct-q5_k_m para iniciar Llama 3.3 70B Instruct (Q5_K_M). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.