Llama 4 Maverick 17B 128E Instruct (Q8_K_XL) — 49.3 GBen NVIDIA L40S

Q8_K_XL NVIDIA L40S

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 Q8_K_XL (nivel de calidad high), el modelo pesa 428.4 GB. Esto excede los 48 GB de VRAM de NVIDIA L40S. La inferencia sigue siendo posible mediante descarga a CPU o carga mapeada en memoria desde disco, pero con un rendimiento significativamente reducido.

La NVIDIA L40S es una GPU de datacenter con 48 GB de GDDR6 VRAM y 864 GB/s de ancho de banda de memoria. Ofrece 362 FP16 TFLOPS con arquitectura Ada Lovelace. Una GPU versatil para inferencia IA, entrenamiento y cargas graficas. Maneja modelos cuantizados hasta 40B parametros con facilidad.

Requisitos de Hardware

Tamaño del modelo	428.4 GB
VRAM disponible	48 GB
VRAM utilizada	49.3 GB
RAM mín. requerida	428.4 GB
Capas GPU	0 / 48
Tamaño del contexto	262.144
Backend	cuda13
Flash attention	No

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 →

Rendimiento reducido

48 de 48 capas se ejecutan en CPU. Su sistema necesita al menos 428.4 GB de RAM. Si la RAM del sistema es insuficiente, los datos se leerán del disco bajo demanda, con un impacto significativo en el rendimiento.

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

Servidor Local

Prerrequisitos

Asegúrese de que sus nodos GPU estén preparados con el NVIDIA container toolkit:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Comando

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/llama-4-maverick-17b-128e-instruct/q8_k_xl/nvidia-l40s.yaml) apply

Archivo values.yaml

/values/llama-4-maverick-17b-128e-instruct/q8_k_xl/nvidia-l40s.yaml

Cargando valores…

Instalar llama.cpp

Instale llama.cpp desde las instrucciones de compilación oficiales para su plataforma y backend.

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/UD-Q8_K_XL/Llama-4-Maverick-17B-128E-Instruct-UD-Q8_K_XL-00001-of-00010.gguf"

Iniciar servidor

llama-server \
  -m llama-4-maverick-17b-128e-instruct.gguf \
  --n-gpu-layers 0 \
  --ctx-size 262144

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 (Q8_K_XL)?

La cuantización Q8_K_XL de Llama 4 Maverick 17B 128E Instruct requiere 428.4 GB. Los 48 GB de VRAM de NVIDIA L40S son insuficientes para las capas GPU, por lo que la inferencia se ejecuta en el CPU.

¿Puedo ejecutar Llama 4 Maverick 17B 128E Instruct en NVIDIA L40S?

Es posible pero no recomendado. NVIDIA L40S no tiene suficiente VRAM para acelerar Llama 4 Maverick 17B 128E Instruct (Q8_K_XL), 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. Q8_K_XL comprime Llama 4 Maverick 17B 128E Instruct de su tamaño original a 428.4 GB.

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

Q8_K_XL es una cuantización de alta 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?

NVIDIA L40S tiene 48 GB de VRAM, pero Llama 4 Maverick 17B 128E Instruct (Q8_K_XL) requiere aproximadamente 428.4 GB. Solo 0 de 48 capas caben en la VRAM; las capas restantes se ejecutan en el CPU, que es más lento pero funcional.

¿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 (Q8_K_XL) con Ollama?

Ejecute ollama run llama4:17b-maverick-128e-instruct-q8_k_xl para iniciar Llama 4 Maverick 17B 128E Instruct (Q8_K_XL). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.

Última actualización: 5 de marzo de 2026