Llama 3.3 70B Instruct (Q8_0) — 23.4 Gosur OVH l4-1-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 Q8_0 (niveau de qualité high), le modèle pèse 69.82 Go. Cela dépasse les 24 Go de VRAM de OVH l4-1-gpu. 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 | 69.82 GB |
| VRAM disponible | 24 GB |
| VRAM utilisée | 23.4 GB |
| RAM système | 80 GB |
| RAM min requise | 48 GB |
| Couches GPU | 25 / 80 |
| Taille du contexte | 1 102 |
| Backend | cuda13 |
| Flash attention | Oui |
| Lecture depuis le disque | Oui |
Notes de performance
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/q8_0/nvidia-l4.yaml) applyFichier values.yaml
/values/llama-3-3-70b-instruct/q8_0/nvidia-l4.yaml
Chargement des valeurs…Questions fréquemment posées
De combien de VRAM Llama 3.3 70B Instruct (Q8_0) a-t-il besoin ?
La quantification Q8_0 de Llama 3.3 70B Instruct nécessite 69.82 Go. 25 des 80 couches tiennent dans les 24 Go de VRAM de OVH l4-1-gpu ; les couches restantes sont déchargées sur le CPU.
Puis-je exécuter Llama 3.3 70B Instruct sur OVH l4-1-gpu ?
Oui, avec des performances réduites. OVH l4-1-gpu peut exécuter Llama 3.3 70B Instruct (Q8_0), mais seules 25 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. Q8_0 compresse Llama 3.3 70B Instruct de sa taille originale à 69.82 Go.
Quelle quantification choisir pour Llama 3.3 70B Instruct ?
Q8_0 est une quantification haute 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 l4-1-gpu, 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 ?
OVH l4-1-gpu dispose de 24 Go de VRAM, mais Llama 3.3 70B Instruct (Q8_0) nécessite environ 69.82 Go. Seules 25 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 (Q8_0) avec Ollama ?
Exécutez ollama run llama3.3:70b-instruct-q8_0 pour démarrer Llama 3.3 70B Instruct (Q8_0). Ollama télécharge automatiquement les poids du modèle au premier lancement.