Llama 4 Scout 17B 16E Instruct (Q5_K_S) — 385.3 GBen NVIDIA RTX 5070 Ti

Q5_K_S NVIDIA RTX 5070 Ti

Descripción General

Llama 4 Scout 17B 16E Instruct es un modelo de lenguaje moe de 17B parámetros de Meta, con capacidades de code, multilingual, tool-calls, vision. Admite una ventana de contexto de hasta 10,485,760 tokens.

Llama 4 Scout 17B 16E Instruct es un modelo "Mixture-of-Experts" de Meta con 17.000 millones de parametros por experto y 16 expertos, activando un experto por token. Soporta vision, generacion de codigo, "tool calling" y 12 idiomas, lo que lo convierte en uno de los modelos mas versatiles de la familia Llama 4. Scout apunta al segmento orientado a la eficiencia, ofreciendo capacidades multimodales a un coste computacional menor que modelos densos de calidad similar. Su ventana de contexto de 10M de tokens es de las mas grandes disponibles, y se cuantiza bien para despliegues multi-GPU autoalojados.

Con cuantización Q5_K_S (nivel de calidad medium), el modelo pesa 69.16 GB. Esto excede los 16 GB de VRAM de NVIDIA RTX 5070 Ti. 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	69.16 GB
VRAM disponible	16 GB
VRAM utilizada	385.3 GB
RAM mín. requerida	69.2 GB
Capas GPU	0 / 48
Tamaño del contexto	2.097.152
Backend	cuda13
Flash attention	No

Notas de rendimiento

Mixture-of-Experts

Este es un modelo Mixture-of-Experts con 16 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 69.2 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-scout-17b-16e-instruct/q5_k_s/nvidia-rtx5070ti.yaml) apply

Archivo values.yaml

/values/llama-4-scout-17b-16e-instruct/q5_k_s/nvidia-rtx5070ti.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-scout-17b-16e-instruct.gguf "https://huggingface.co/unsloth/Llama-4-Scout-17B-16E-Instruct-GGUF/resolve/main/Q5_K_S/Llama-4-Scout-17B-16E-Instruct-Q5_K_S-00001-of-00002.gguf"

Iniciar servidor

llama-server \
  -m llama-4-scout-17b-16e-instruct.gguf \
  --n-gpu-layers 0 \
  --ctx-size 2097152

Verificar

curl http://localhost:8080/health

Explorar

• Configurar un despliegue
• Explorar modelos
• Explorar hardware

Otras cuantizaciones

• Llama 4 Scout 17B 16E Instruct (Q8_0)
• Llama 4 Scout 17B 16E Instruct (Q5_K_M)
• Llama 4 Scout 17B 16E Instruct (Q4_K_M)

Otro hardware

• Llama 4 Scout 17B 16E Instruct on CPU Only
• Llama 4 Scout 17B 16E Instruct on NVIDIA A100 80GB
• Llama 4 Scout 17B 16E Instruct on NVIDIA H100

Preguntas frecuentes

¿Cuánta VRAM necesita Llama 4 Scout 17B 16E Instruct (Q5_K_S)?

La cuantización Q5_K_S de Llama 4 Scout 17B 16E Instruct requiere 69.16 GB. Los 16 GB de VRAM de NVIDIA RTX 5070 Ti son insuficientes para las capas GPU, por lo que la inferencia se ejecuta en el CPU.

¿Puedo ejecutar Llama 4 Scout 17B 16E Instruct en NVIDIA RTX 5070 Ti?

Es posible pero no recomendado. NVIDIA RTX 5070 Ti no tiene suficiente VRAM para acelerar Llama 4 Scout 17B 16E Instruct (Q5_K_S), 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. Q5_K_S comprime Llama 4 Scout 17B 16E Instruct de su tamaño original a 69.16 GB.

¿Qué cuantización debo elegir para Llama 4 Scout 17B 16E Instruct?

Q5_K_S 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.

¿Por qué se descargan algunas capas al CPU?

NVIDIA RTX 5070 Ti tiene 16 GB de VRAM, pero Llama 4 Scout 17B 16E Instruct (Q5_K_S) requiere aproximadamente 69.16 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 Scout 17B 16E Instruct utiliza una arquitectura Mixture-of-Experts (MoE) con 16 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 Scout 17B 16E Instruct (Q5_K_S) con Ollama?

Ejecute ollama run llama4:17b-scout-16e-instruct-q5_k_s para iniciar Llama 4 Scout 17B 16E Instruct (Q5_K_S). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.

Última actualización: 7 de marzo de 2026