Llama 4 Maverick 17B 128E Instruct (Q4_0) — 127.4 GBen Apple M4 Max 128GB

Q4_0 Apple M4 Max 128GB

Descripción General

Llama 4 Maverick 17B 128E Instruct es un modelo de lenguaje moe de 396.58B parámetros de Meta, con capacidades de code, multilingual, tool-calls, vision. Admite una ventana de contexto de hasta 1,048,576 tokens.

Llama 4 Maverick 17B 128E Instruct es un modelo "Mixture-of-Experts" a gran escala de Meta con 17.000 millones de parametros por experto y 128 expertos, activando un experto por token para un total de aproximadamente 400.000 millones de parametros. Ofrece rendimiento de vanguardia en vision, generacion de codigo y tareas multilingues en 12 idiomas. Maverick representa el nivel de alta capacidad de la familia Llama 4, intercambiando mayores requisitos de memoria por mejores resultados en benchmarks. Con una ventana de contexto de 1M de tokens, requiere configuraciones multi-GPU pero se cuantiza hasta niveles Q2.

Con cuantización Q4_0 (nivel de calidad medium), el modelo pesa 211.19 GB. Esto excede los 128 GB de VRAM de Apple M4 Max 128GB. La inferencia sigue siendo posible mediante descarga a CPU o carga mapeada en memoria desde disco, pero con un rendimiento significativamente reducido.

Requisitos de Hardware

Tamaño del modelo	211.19 GB
VRAM disponible	128 GB
VRAM utilizada	127.4 GB
RAM mín. requerida	210.8 GB
Capas GPU	48 / 48
Tamaño del contexto	686.727
Backend	metal
Flash attention	Sí

Notas de rendimiento

Mixture-of-Experts

Este es un modelo Mixture-of-Experts con 128 expertos en total, de los cuales 1 están activos por token. Solo los expertos activos necesitan acceso rápido a la GPU — los pesos de los expertos inactivos pueden residir en la RAM del sistema con un impacto mínimo en la velocidad de generación.

Leer la guía de despliegue MoE →

Posible impacto en el rendimiento

Pesos de expertos descargados a CPU mediante reemplazo de tensores. Se recomiendan al menos 210.8 GB de RAM del sistema — si es insuficiente, los datos se leerán del disco bajo demanda.

Conversaciones más cortas

El tamaño del contexto se ha reducido debido a restricciones de memoria. Esto puede afectar la capacidad del modelo para manejar conversaciones largas.

Despliegue

Instalar llama.cpp

brew install llama.cpp

Descargar modelo

curl -L -o llama-4-maverick-17b-128e-instruct.gguf "https://huggingface.co/unsloth/Llama-4-Maverick-17B-128E-Instruct-GGUF/resolve/main/Q4_0/Llama-4-Maverick-17B-128E-Instruct-Q4_0-00001-of-00005.gguf"

Iniciar servidor

llama-server \
  -m llama-4-maverick-17b-128e-instruct.gguf \
  --n-gpu-layers 48 \
  --ctx-size 686727 \
  --flash-attn \
  -ot ".ffn_.*_exps.=CPU"

Verificar

curl http://localhost:8080/health

Explorar

• Configurar un despliegue
• Explorar modelos
• Explorar hardware

Otras cuantizaciones

• Llama 4 Maverick 17B 128E Instruct (Q8_0)
• Llama 4 Maverick 17B 128E Instruct (Q5_K_M)
• Llama 4 Maverick 17B 128E Instruct (Q4_K_M)

Otro hardware

• Llama 4 Maverick 17B 128E Instruct on CPU Only
• Llama 4 Maverick 17B 128E Instruct on NVIDIA A100 80GB
• Llama 4 Maverick 17B 128E Instruct on NVIDIA H100

Preguntas frecuentes

¿Cuánta VRAM necesita Llama 4 Maverick 17B 128E Instruct (Q4_0)?

La cuantización Q4_0 de Llama 4 Maverick 17B 128E Instruct requiere 211.19 GB. Las 48 capas caben en los 128 GB de VRAM disponibles en Apple M4 Max 128GB, permitiendo aceleración GPU completa.

¿Puedo ejecutar Llama 4 Maverick 17B 128E Instruct en Apple M4 Max 128GB?

Sí. Apple M4 Max 128GB proporciona 128 GB de VRAM, suficiente para ejecutar Llama 4 Maverick 17B 128E Instruct (Q4_0) 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. Q4_0 comprime Llama 4 Maverick 17B 128E Instruct de su tamaño original a 211.19 GB.

¿Qué cuantización debo elegir para Llama 4 Maverick 17B 128E Instruct?

Q4_0 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 4 Maverick 17B 128E Instruct en Apple M4 Max 128GB, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 128 GB de VRAM disponibles.

¿Qué es MoE y cómo afecta al despliegue?

Llama 4 Maverick 17B 128E Instruct utiliza una arquitectura Mixture-of-Experts (MoE) con 128 expertos, de los cuales 1 están activos por token. Esto significa que solo una fracción de los pesos del modelo se utiliza en cada paso de inferencia, permitiendo que los modelos MoE sean más grandes en número total de parámetros mientras permanecen eficientes durante la inferencia.

¿Cómo ejecutar Llama 4 Maverick 17B 128E Instruct (Q4_0) con Ollama?

Ejecute ollama run llama4:17b-maverick-128e-instruct-q4_0 para iniciar Llama 4 Maverick 17B 128E Instruct (Q4_0). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.

Última actualización: 5 de marzo de 2026