Meta Llama 3.1 8B Instruct (Q4_0_8_8) — 21.6 GBen OVH h100-1-gpu
Descripción General
Meta Llama 3.1 8B Instruct es un modelo de lenguaje dense de 8B parámetros de Meta, con capacidades de code, multilingual, tool-calls. Admite una ventana de contexto de hasta 131,072 tokens.
Meta Llama 3.1 8B Instruct es un transformador denso de 8.000 millones de parametros de Meta, disenado para el seguimiento de instrucciones, la generacion de codigo y tareas multilingues. Ofrece un solido equilibrio entre calidad y eficiencia en la categoria de modelos pequenos, superando a muchas alternativas de clase 7B en benchmarks estandar. El modelo soporta "tool calling" y ocho idiomas, incluidos ingles, aleman y frances. Con una ventana de contexto de 128K y soporte de "flash attention", funciona comodamente en una sola GPU de consumo con niveles de cuantizacion Q4.
Con cuantización Q4_0_8_8 (nivel de calidad low), el modelo pesa 4.34 GB. Esto cabe dentro de los 80 GB de VRAM de OVH h100-1-gpu, 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 | 4.34 GB |
| VRAM disponible | 80 GB |
| VRAM utilizada | 21.6 GB |
| RAM del sistema | 350 GB |
| RAM mín. requerida | 0 GB |
| Capas GPU | 32 / 32 |
| Tamaño del contexto | 131.072 |
| Backend | cuda13 |
| Flash attention | Sí |
| Lectura desde disco | Sí |
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/meta-llama-3-1-8b-instruct/q4_0_8_8/nvidia-h100-80gb.yaml) applyArchivo values.yaml
/values/meta-llama-3-1-8b-instruct/q4_0_8_8/nvidia-h100-80gb.yaml
Cargando valores…Preguntas frecuentes
¿Cuánta VRAM necesita Meta Llama 3.1 8B Instruct (Q4_0_8_8)?
La cuantización Q4_0_8_8 de Meta Llama 3.1 8B Instruct requiere 4.34 GB. Las 32 capas caben en los 80 GB de VRAM disponibles en OVH h100-1-gpu, permitiendo aceleración GPU completa.
¿Puedo ejecutar Meta Llama 3.1 8B Instruct en OVH h100-1-gpu?
Sí. OVH h100-1-gpu proporciona 80 GB de VRAM, suficiente para ejecutar Meta Llama 3.1 8B Instruct (Q4_0_8_8) 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_8_8 comprime Meta Llama 3.1 8B Instruct de su tamaño original a 4.34 GB.
¿Qué cuantización debo elegir para Meta Llama 3.1 8B Instruct?
Q4_0_8_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 Meta Llama 3.1 8B Instruct en OVH h100-1-gpu, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 80 GB de VRAM disponibles.
¿Cómo ejecutar Meta Llama 3.1 8B Instruct (Q4_0_8_8) con Ollama?
Ejecute ollama run llama3.1:8b-instruct-q4_0_8_8 para iniciar Meta Llama 3.1 8B Instruct (Q4_0_8_8). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.