Llama 3.3 70B Instruct (Q3_K_M)sur CPU Only
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_M (niveau de qualité low), le modèle pèse 31.91 Go. Cela dépasse les 0 Go de VRAM de CPU Only. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.
Une configuration CPU uniquement sans acceleration GPU. L'inference s'execute entierement sur le CPU, ce qui est nettement plus lent que les configurations avec GPU, mais ne necessite aucun materiel specialise. Les performances et la taille maximale du modele dependent de la RAM disponible. Adaptee aux tests, au developpement ou aux deployments sans GPU disponible.
Configuration matérielle requise
| Taille du modèle | 31.91 GB |
| VRAM disponible | 0 GB |
| VRAM utilisée | 0 GB |
| RAM système | |
| RAM min requise | 31.9 GB |
| Couches GPU | 0 / 80 |
| Taille du contexte | 131 072 |
| Backend | cpu |
| Flash attention | Non |
| Lecture depuis le disque | Oui |
Notes de performance
Déploiement
Commande
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/llama-3-3-70b-instruct/q3_k_m/cpu.yaml) applyFichier values.yaml
/values/llama-3-3-70b-instruct/q3_k_m/cpu.yaml
Chargement des valeurs…Questions fréquemment posées
De combien de VRAM Llama 3.3 70B Instruct (Q3_K_M) a-t-il besoin ?
La quantification Q3_K_M de Llama 3.3 70B Instruct nécessite 31.91 Go. Les 0 Go de VRAM de CPU Only sont insuffisants pour les couches GPU, l'inférence s'exécute donc sur le CPU.
Puis-je exécuter Llama 3.3 70B Instruct sur CPU Only ?
C'est possible mais non recommandé. CPU Only n'a pas assez de VRAM pour accélérer Llama 3.3 70B Instruct (Q3_K_M), l'inférence reposera donc sur le CPU et la RAM système.
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_M compresse Llama 3.3 70B Instruct de sa taille originale à 31.91 Go.
Quelle quantification choisir pour Llama 3.3 70B Instruct ?
Q3_K_M 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.
Pourquoi certaines couches sont-elles déchargées sur le CPU ?
CPU Only dispose de 0 Go de VRAM, mais Llama 3.3 70B Instruct (Q3_K_M) nécessite environ 31.91 Go. Seules 0 des 80 couches tiennent dans la VRAM ; les couches restantes s'exécutent sur le CPU, ce qui est plus lent mais fonctionnel.
Comment exécuter Llama 3.3 70B Instruct (Q3_K_M) avec Ollama ?
Exécutez ollama run llama3.3:70b-instruct-q3_k_m pour démarrer Llama 3.3 70B Instruct (Q3_K_M). Ollama télécharge automatiquement les poids du modèle au premier lancement.