Llama 3.3 70B Instruct (Q2_K) — 65.8 Gosur OVH a100-1-gpu

Aperçu

Llama 3.3 70B Instruct est un modèle de langage dense de 70B paramètres par Meta, avec des capacités en code, multilingual, tool-calls. Il prend en charge une fenêtre de contexte allant jusqu’à 131,072 tokens.

Llama 3.3 70B Instruct est un transformeur dense de 70 milliards de parametres de Meta, optimise pour le suivi d'instructions, la generation de code et la conversation multilingue. Il offre des performances competitives avec les modeles plus grands de la famille Llama tout en restant pratique pour les deploiements GPU sur un seul noeud. Le modele prend en charge le "tool calling" et huit langues dont l'anglais, le francais, l'espagnol et l'allemand. Avec une fenetre de contexte de 128K et le "grouped-query attention", il se quantifie efficacement jusqu'au niveau Q4 pour une inference auto-hebergee sur du materiel grand public.

Avec la quantification Q2_K (niveau de qualité low), le modèle pèse 24.56 Go. Cela tient dans les 80 Go de VRAM de OVH a100-1-gpu, permettant une inférence entièrement sur GPU.

Le NVIDIA A100 80 Go est un GPU datacenter avec 80 Go de HBM2e VRAM et 2039 Go/s de bande passante memoire. Il delivre 312 FP16 TFLOPS, permettant une inference rapide sur de grands modeles de langage jusqu'a 70B parametres avec une quantification moderee. Parfaitement adapte aux equipes datacenter executant des charges de travail LLM en production necessitant une grande capacite memoire et un haut debit.

Configuration matérielle requise

Taille du modèle	24.56 GB
VRAM disponible	80 GB
VRAM utilisée	65.8 GB
RAM système	160 GB
RAM min requise	0 GB
Couches GPU	80 / 80
Taille du contexte	131 072
Backend	cuda13
Flash attention	Oui
Lecture depuis le disque	Oui

Déploiement

Prérequis

Assurez-vous que vos nœuds GPU sont préparés avec le NVIDIA container toolkit :

ansible-playbook prositronic.infra.nvidia_container_toolkit

Commande

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/llama-3-3-70b-instruct/q2_k/nvidia-a100-80gb.yaml) apply

Fichier `values.yaml`

/values/llama-3-3-70b-instruct/q2_k/nvidia-a100-80gb.yaml

Chargement des valeurs…

Installer llama.cpp

Installez llama.cpp depuis les instructions de compilation officielles pour votre plateforme et backend.

Télécharger le modèle

curl -L -o llama-3-3-70b-instruct.gguf "https://huggingface.co/bartowski/Llama-3.3-70B-Instruct-GGUF/resolve/main/Llama-3.3-70B-Instruct-Q2_K.gguf"

Démarrer le serveur

llama-server \
  -m llama-3-3-70b-instruct.gguf \
  --n-gpu-layers 80 \
  --ctx-size 131072 \
  --flash-attn

Vérifier

curl http://localhost:8080/health

Questions fréquemment posées

De combien de VRAM Llama 3.3 70B Instruct (Q2_K) a-t-il besoin ?

La quantification Q2_K de Llama 3.3 70B Instruct nécessite 24.56 Go. Les 80 couches tiennent dans les 80 Go de VRAM disponibles sur OVH a100-1-gpu, permettant une accélération GPU complète.

Puis-je exécuter Llama 3.3 70B Instruct sur OVH a100-1-gpu ?

Oui. OVH a100-1-gpu dispose de 80 Go de VRAM, ce qui suffit pour exécuter Llama 3.3 70B Instruct (Q2_K) avec toutes les couches sur le GPU pour des performances optimales.

Qu'est-ce que la quantification ?

La quantification réduit la précision numérique d'un modèle de son format virgule flottante original vers une représentation plus compacte. Cela réduit la taille du fichier et l'empreinte VRAM, rendant possible l'exécution de grands modèles sur du matériel grand public. Le compromis est une légère réduction de la qualité de sortie. Q2_K compresse Llama 3.3 70B Instruct de sa taille originale à 24.56 Go.

Quelle quantification choisir pour Llama 3.3 70B Instruct ?

Q2_K est une quantification basse qualité. Les quants de meilleure qualité (Q8, Q6) préservent davantage la précision du modèle mais nécessitent plus de VRAM. Les quants inférieurs (Q4, Q3, Q2) réduisent l'utilisation de la VRAM au prix d'une certaine qualité. Choisissez en fonction de votre matériel disponible et de vos exigences de qualité.

Qu'est-ce que le flash attention et pourquoi est-il activé ?

Flash attention est un algorithme efficace en mémoire qui accélère le mécanisme d'attention dans les modèles transformer. Il réduit l'utilisation de la VRAM pendant l'inférence en évitant la matérialisation de la matrice d'attention complète. Pour Llama 3.3 70B Instruct sur OVH a100-1-gpu, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 80 Go de VRAM disponibles.

Comment exécuter Llama 3.3 70B Instruct (Q2_K) avec Ollama ?

Exécutez ollama run llama3.3:70b-instruct-q2_k pour démarrer Llama 3.3 70B Instruct (Q2_K). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 5 mars 2026