Llama 3.3 70B Instruct (Q5_K_S) — 86.6 Gosur Apple M4 Max 128GB
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_S (niveau de qualité medium), le modèle pèse 45.32 Go. Cela tient dans les 128 Go de VRAM de Apple M4 Max 128GB, permettant une inférence entièrement sur GPU.
Configuration matérielle requise
| Taille du modèle | 45.32 GB |
| VRAM disponible | 128 GB |
| VRAM utilisée | 86.6 GB |
| RAM système | |
| RAM min requise | 0 GB |
| Couches GPU | 80 / 80 |
| Taille du contexte | 131 072 |
| Backend | metal |
| Flash attention | Oui |
| Lecture depuis le disque | Oui |
Déploiement
Installer llama.cpp
brew install llama.cppTélécharger 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_S.gguf"Démarrer le serveur
llama-server \
-m llama-3-3-70b-instruct.gguf \
--n-gpu-layers 80 \
--ctx-size 131072 \
--flash-attnVérifier
curl http://localhost:8080/healthQuestions fréquemment posées
De combien de VRAM Llama 3.3 70B Instruct (Q5_K_S) a-t-il besoin ?
La quantification Q5_K_S de Llama 3.3 70B Instruct nécessite 45.32 Go. Les 80 couches tiennent dans les 128 Go de VRAM disponibles sur Apple M4 Max 128GB, permettant une accélération GPU complète.
Puis-je exécuter Llama 3.3 70B Instruct sur Apple M4 Max 128GB ?
Oui. Apple M4 Max 128GB dispose de 128 Go de VRAM, ce qui suffit pour exécuter Llama 3.3 70B Instruct (Q5_K_S) 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. Q5_K_S compresse Llama 3.3 70B Instruct de sa taille originale à 45.32 Go.
Quelle quantification choisir pour Llama 3.3 70B Instruct ?
Q5_K_S 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 Apple M4 Max 128GB, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 128 Go de VRAM disponibles.
Comment exécuter Llama 3.3 70B Instruct (Q5_K_S) avec Ollama ?
Exécutez ollama run llama3.3:70b-instruct-q5_k_s pour démarrer Llama 3.3 70B Instruct (Q5_K_S). Ollama télécharge automatiquement les poids du modèle au premier lancement.