Llama 3.3 70B Instruct (Q3_K_L) — 75.9 Gosur Scaleway H100-1-80G
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 Q3_K_L (niveau de qualité low), le modèle pèse 34.59 Go. Cela tient dans les 80 Go de VRAM de Scaleway H100-1-80G, permettant une inférence entièrement sur GPU.
Le NVIDIA H100 80 Go est un GPU datacenter avec 80 Go de HBM3 VRAM et 3350 Go/s de bande passante memoire. Il delivre 1979 FP16 TFLOPS sur l'architecture Hopper, ce qui en fait l'option GPU unique la plus rapide pour l'inference de grands modeles de langage. Il gere des modeles jusqu'a 70B parametres avec un debit eleve. Concu pour les equipes datacenter executant des charges de travail IA exigeantes en production.
Configuration matérielle requise
| Taille du modèle | 34.59 GB |
| VRAM disponible | 80 GB |
| VRAM utilisée | 75.9 GB |
| RAM système | 240 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_toolkitCommande
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/llama-3-3-70b-instruct/q3_k_l/nvidia-h100-80gb.yaml) applyFichier values.yaml
/values/llama-3-3-70b-instruct/q3_k_l/nvidia-h100-80gb.yaml
Chargement des valeurs…Questions fréquemment posées
De combien de VRAM Llama 3.3 70B Instruct (Q3_K_L) a-t-il besoin ?
La quantification Q3_K_L de Llama 3.3 70B Instruct nécessite 34.59 Go. Les 80 couches tiennent dans les 80 Go de VRAM disponibles sur Scaleway H100-1-80G, permettant une accélération GPU complète.
Puis-je exécuter Llama 3.3 70B Instruct sur Scaleway H100-1-80G ?
Oui. Scaleway H100-1-80G dispose de 80 Go de VRAM, ce qui suffit pour exécuter Llama 3.3 70B Instruct (Q3_K_L) 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. Q3_K_L compresse Llama 3.3 70B Instruct de sa taille originale à 34.59 Go.
Quelle quantification choisir pour Llama 3.3 70B Instruct ?
Q3_K_L 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 Scaleway H100-1-80G, 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 (Q3_K_L) avec Ollama ?
Exécutez ollama run llama3.3:70b-instruct-q3_k_l pour démarrer Llama 3.3 70B Instruct (Q3_K_L). Ollama télécharge automatiquement les poids du modèle au premier lancement.