Llama 4 Maverick 17B 128E Instruct (Q5_K_S) — 79.4 Gosur NVIDIA A100 80GB

Q5_K_S NVIDIA A100 80GB

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 Q5_K_S (niveau de qualité medium), le modèle pèse 256.77 Go. Cela dépasse les 80 Go de VRAM de NVIDIA A100 80GB. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.

Le NVIDIA A100 80 Go est un GPU datacenter avec 80 Go de HBM2e VRAM et 2039 Go/s de bande passante memoire. Il delivre 312 FP16 TFLOPS, permettant une inference rapide sur de grands modeles de langage jusqu'a 70B parametres avec une quantification moderee. Parfaitement adapte aux equipes datacenter executant des charges de travail LLM en production necessitant une grande capacite memoire et un haut debit.

Configuration matérielle requise

Taille du modèle	256.77 GB
VRAM disponible	80 GB
VRAM utilisée	79.4 GB
RAM min requise	256.3 GB
Couches GPU	48 / 48
Taille du contexte	424 098
Backend	cuda13
Flash attention	Oui

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 →

Impact possible sur les performances

Poids des experts déchargés sur le CPU via le remplacement de tenseurs. Au moins 256.3 Go de RAM système recommandés — si insuffisante, les données seront lues depuis le disque à la demande.

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-4-maverick-17b-128e-instruct/q5_k_s/nvidia-a100-80gb.yaml) apply

Fichier values.yaml

/values/llama-4-maverick-17b-128e-instruct/q5_k_s/nvidia-a100-80gb.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-4-maverick-17b-128e-instruct.gguf "https://huggingface.co/unsloth/Llama-4-Maverick-17B-128E-Instruct-GGUF/resolve/main/Q5_K_S/Llama-4-Maverick-17B-128E-Instruct-Q5_K_S-00001-of-00006.gguf"

Démarrer le serveur

llama-server \
  -m llama-4-maverick-17b-128e-instruct.gguf \
  --n-gpu-layers 48 \
  --ctx-size 424098 \
  --flash-attn \
  -ot ".ffn_.*_exps.=CPU"

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 H100
• Llama 4 Maverick 17B 128E Instruct on NVIDIA RTX 3090

Questions fréquemment posées

De combien de VRAM Llama 4 Maverick 17B 128E Instruct (Q5_K_S) a-t-il besoin ?

La quantification Q5_K_S de Llama 4 Maverick 17B 128E Instruct nécessite 256.77 Go. Les 48 couches tiennent dans les 80 Go de VRAM disponibles sur NVIDIA A100 80GB, permettant une accélération GPU complète.

Puis-je exécuter Llama 4 Maverick 17B 128E Instruct sur NVIDIA A100 80GB ?

Oui. NVIDIA A100 80GB dispose de 80 Go de VRAM, ce qui suffit pour exécuter Llama 4 Maverick 17B 128E 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 4 Maverick 17B 128E Instruct de sa taille originale à 256.77 Go.

Quelle quantification choisir pour Llama 4 Maverick 17B 128E 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 4 Maverick 17B 128E Instruct sur NVIDIA A100 80GB, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 80 Go de VRAM disponibles.

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 (Q5_K_S) avec Ollama ?

Exécutez ollama run llama4:17b-maverick-128e-instruct-q5_k_s pour démarrer Llama 4 Maverick 17B 128E Instruct (Q5_K_S). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 5 mars 2026