Llama 3.3 70B Instruct (Q5_K_M) — 23.5 Gosur NVIDIA L4

Q5_K_M NVIDIA L4

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 Q5_K_M (niveau de qualité medium), le modèle pèse 46.52 Go. Cela dépasse les 24 Go de VRAM de NVIDIA L4. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.

La NVIDIA L4 est un GPU datacenter d'inference avec 24 Go de GDDR6 VRAM et 300 Go/s de bande passante memoire. Elle delivre 121 FP16 TFLOPS avec l'architecture Ada Lovelace. Concue pour des charges d'inference efficaces et basse consommation dans les deployments cloud et edge. Gere les modeles quantifies jusqu'a 20B parametres.

Configuration matérielle requise

Taille du modèle	46.52 GB
VRAM disponible	24 GB
VRAM utilisée	23.5 GB
RAM min requise	24.4 GB
Couches GPU	38 / 80
Taille du contexte	512
Backend	cuda13
Flash attention	Oui

Notes de performance

Performances réduites

42 des 80 couches s'exécutent sur le CPU. Votre système nécessite au moins 24.4 Go de RAM. Si la RAM système est insuffisante, les données seront lues depuis le disque à la demande, avec un impact significatif sur les performances.

Conversations plus courtes

La taille du contexte a été réduite en raison de contraintes mémoire. Cela peut affecter la capacité du modèle à gérer de longues conversations.

Déploiement

Serveur Local

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/q5_k_m/nvidia-l4.yaml) apply

Fichier values.yaml

/values/llama-3-3-70b-instruct/q5_k_m/nvidia-l4.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-Q5_K_M/Llama-3.3-70B-Instruct-Q5_K_M-00001-of-00002.gguf"

Démarrer le serveur

llama-server \
  -m llama-3-3-70b-instruct.gguf \
  --n-gpu-layers 38 \
  --ctx-size 512 \
  --flash-attn

Vérifier

curl http://localhost:8080/health

Explorer

• Configurer un déploiement
• Parcourir les modèles
• Parcourir le matériel

Autres quantifications

• Llama 3.3 70B Instruct (FP16)
• Llama 3.3 70B Instruct (Q8_0)
• Llama 3.3 70B Instruct (Q4_K_M)

Autre matériel

• Llama 3.3 70B Instruct on CPU Only
• Llama 3.3 70B Instruct on NVIDIA A100 80GB
• Llama 3.3 70B Instruct on NVIDIA H100

Questions fréquemment posées

De combien de VRAM Llama 3.3 70B Instruct (Q5_K_M) a-t-il besoin ?

La quantification Q5_K_M de Llama 3.3 70B Instruct nécessite 46.52 Go. 38 des 80 couches tiennent dans les 24 Go de VRAM de NVIDIA L4 ; les couches restantes sont déchargées sur le CPU.

Puis-je exécuter Llama 3.3 70B Instruct sur NVIDIA L4 ?

Oui, avec des performances réduites. NVIDIA L4 peut exécuter Llama 3.3 70B Instruct (Q5_K_M), mais seules 38 des 80 couches tiennent dans la VRAM. Le reste est déchargé sur le CPU.

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. Q5_K_M compresse Llama 3.3 70B Instruct de sa taille originale à 46.52 Go.

Quelle quantification choisir pour Llama 3.3 70B Instruct ?

Q5_K_M est une quantification qualité moyenne. 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 NVIDIA L4, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 24 Go de VRAM disponibles.

Pourquoi certaines couches sont-elles déchargées sur le CPU ?

NVIDIA L4 dispose de 24 Go de VRAM, mais Llama 3.3 70B Instruct (Q5_K_M) nécessite environ 46.52 Go. Seules 38 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 (Q5_K_M) avec Ollama ?

Exécutez ollama run llama3.3:70b-instruct-q5_k_m pour démarrer Llama 3.3 70B Instruct (Q5_K_M). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 5 mars 2026