Llama 4 Maverick 17B 128E Instruct (Q4_0) — 49.3 Gosur Apple M2 Pro 16GB

Q4_0 Apple M2 Pro 16GB

Aperçu

Llama 4 Maverick 17B 128E Instruct est un modèle de langage moe de 396.58B paramètres par Meta, avec des capacités en code, multilingual, tool-calls, vision. Il prend en charge une fenêtre de contexte allant jusqu’à 1,048,576 tokens.

Llama 4 Maverick 17B 128E Instruct est un modele "Mixture-of-Experts" a grande echelle de Meta avec 17 milliards de parametres par expert et 128 experts, activant un expert par token pour un total d'environ 400 milliards de parametres. Il offre des performances de pointe en vision, generation de code et taches multilingues dans 12 langues. Maverick represente le niveau haute capacite de la famille Llama 4, echangeant des besoins memoire plus eleves contre de meilleurs resultats de benchmark. Avec une fenetre de contexte de 1M de tokens, il necessite des configurations multi-GPU mais se quantifie jusqu'au niveau Q2.

Avec la quantification Q4_0 (niveau de qualité medium), le modèle pèse 211.19 Go. Cela dépasse les 16 Go de VRAM de Apple M2 Pro 16GB. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.

Configuration matérielle requise

Taille du modèle	211.19 GB
VRAM disponible	16 GB
VRAM utilisée	49.3 GB
RAM min requise	211.2 GB
Couches GPU	0 / 48
Taille du contexte	262 144
Backend	metal
Flash attention	Non

Notes de performance

Mixture-of-Experts

Il s'agit d'un modèle Mixture-of-Experts avec 128 experts au total, dont 1 sont actifs par token. Seuls les experts actifs nécessitent un accès GPU rapide — les poids des experts inactifs peuvent résider dans la RAM système avec un impact minimal sur la vitesse de génération.

Lire le guide de déploiement MoE →

Performances réduites

48 des 48 couches s'exécutent sur le CPU. Votre système nécessite au moins 211.2 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

Installer llama.cpp

brew install llama.cpp

Télécharger le modèle

curl -L -o llama-4-maverick-17b-128e-instruct.gguf "https://huggingface.co/unsloth/Llama-4-Maverick-17B-128E-Instruct-GGUF/resolve/main/Q4_0/Llama-4-Maverick-17B-128E-Instruct-Q4_0-00001-of-00005.gguf"

Démarrer le serveur

llama-server \
  -m llama-4-maverick-17b-128e-instruct.gguf \
  --n-gpu-layers 0 \
  --ctx-size 262144

Vérifier

curl http://localhost:8080/health

Explorer

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

Autres quantifications

• Llama 4 Maverick 17B 128E Instruct (Q8_0)
• Llama 4 Maverick 17B 128E Instruct (Q5_K_M)
• Llama 4 Maverick 17B 128E Instruct (Q4_K_M)

Autre matériel

• Llama 4 Maverick 17B 128E Instruct on CPU Only
• Llama 4 Maverick 17B 128E Instruct on NVIDIA A100 80GB
• Llama 4 Maverick 17B 128E Instruct on NVIDIA H100

Questions fréquemment posées

De combien de VRAM Llama 4 Maverick 17B 128E Instruct (Q4_0) a-t-il besoin ?

La quantification Q4_0 de Llama 4 Maverick 17B 128E Instruct nécessite 211.19 Go. Les 16 Go de VRAM de Apple M2 Pro 16GB sont insuffisants pour les couches GPU, l'inférence s'exécute donc sur le CPU.

Puis-je exécuter Llama 4 Maverick 17B 128E Instruct sur Apple M2 Pro 16GB ?

C'est possible mais non recommandé. Apple M2 Pro 16GB n'a pas assez de VRAM pour accélérer Llama 4 Maverick 17B 128E Instruct (Q4_0), 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. Q4_0 compresse Llama 4 Maverick 17B 128E Instruct de sa taille originale à 211.19 Go.

Quelle quantification choisir pour Llama 4 Maverick 17B 128E Instruct ?

Q4_0 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.

Pourquoi certaines couches sont-elles déchargées sur le CPU ?

Apple M2 Pro 16GB dispose de 16 Go de VRAM, mais Llama 4 Maverick 17B 128E Instruct (Q4_0) nécessite environ 211.19 Go. Seules 0 des 48 couches tiennent dans la VRAM ; les couches restantes s'exécutent sur le CPU, ce qui est plus lent mais fonctionnel.

Qu'est-ce que MoE et comment cela affecte-t-il le déploiement ?

Llama 4 Maverick 17B 128E Instruct utilise une architecture Mixture-of-Experts (MoE) avec 128 experts, dont 1 sont actifs par token. Cela signifie que seule une fraction des poids du modèle est utilisée à chaque étape d'inférence, permettant aux modèles MoE d'avoir un plus grand nombre total de paramètres tout en restant efficaces lors de l'inférence.

Comment exécuter Llama 4 Maverick 17B 128E Instruct (Q4_0) avec Ollama ?

Exécutez ollama run llama4:17b-maverick-128e-instruct-q4_0 pour démarrer Llama 4 Maverick 17B 128E Instruct (Q4_0). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 5 mars 2026