Llama 4 Maverick 17B 128E Instruct (Q6_K) — 49.3 Gosur NVIDIA RTX 5070 Ti

Q6_K NVIDIA RTX 5070 Ti

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 Q6_K (niveau de qualité high), le modèle pèse 306.2 Go. Cela dépasse les 16 Go de VRAM de NVIDIA RTX 5070 Ti. 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	306.2 GB
VRAM disponible	16 GB
VRAM utilisée	49.3 GB
RAM min requise	306.2 GB
Couches GPU	0 / 48
Taille du contexte	262 144
Backend	cuda13
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 306.2 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

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/q6_k/nvidia-rtx5070ti.yaml) apply

Fichier values.yaml

/values/llama-4-maverick-17b-128e-instruct/q6_k/nvidia-rtx5070ti.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/Q6_K/Llama-4-Maverick-17B-128E-Instruct-Q6_K-00001-of-00007.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 (Q6_K) a-t-il besoin ?

La quantification Q6_K de Llama 4 Maverick 17B 128E Instruct nécessite 306.2 Go. Les 16 Go de VRAM de NVIDIA RTX 5070 Ti sont insuffisants pour les couches GPU, l'inférence s'exécute donc sur le CPU.

Puis-je exécuter Llama 4 Maverick 17B 128E Instruct sur NVIDIA RTX 5070 Ti ?

C'est possible mais non recommandé. NVIDIA RTX 5070 Ti n'a pas assez de VRAM pour accélérer Llama 4 Maverick 17B 128E Instruct (Q6_K), 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. Q6_K compresse Llama 4 Maverick 17B 128E Instruct de sa taille originale à 306.2 Go.

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

Q6_K 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.

Pourquoi certaines couches sont-elles déchargées sur le CPU ?

NVIDIA RTX 5070 Ti dispose de 16 Go de VRAM, mais Llama 4 Maverick 17B 128E Instruct (Q6_K) nécessite environ 306.2 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 (Q6_K) avec Ollama ?

Exécutez ollama run llama4:17b-maverick-128e-instruct-q6_k pour démarrer Llama 4 Maverick 17B 128E Instruct (Q6_K). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 7 mars 2026