Llama 4 Scout 17B 16E Instruct (Q5_K_M) — 385.3 Gosur OVH l40s-1-gpu

Q5_K_M OVH l40s-1-gpu

Aperçu

Llama 4 Scout 17B 16E Instruct est un modèle de langage moe de 17B paramètres par Meta, avec des capacités en code, multilingual, tool-calls, vision. Il prend en charge une fenêtre de contexte allant jusqu’à 10,485,760 tokens.

Llama 4 Scout 17B 16E Instruct est un modele "Mixture-of-Experts" de Meta avec 17 milliards de parametres par expert et 16 experts, activant un expert par token. Il prend en charge la vision, la generation de code, le "tool calling" et 12 langues, ce qui en fait l'un des modeles les plus polyvalents de la famille Llama 4. Scout cible le segment axe sur l'efficacite, offrant des capacites multimodales a un cout de calcul inferieur a celui de modeles denses de qualite similaire. Sa fenetre de contexte de 10M de tokens est parmi les plus grandes disponibles, et il se quantifie bien pour des deployments multi-GPU auto-heberges.

Avec la quantification Q5_K_M (niveau de qualité medium), le modèle pèse 71.29 Go. Cela dépasse les 48 Go de VRAM de OVH l40s-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 L40S est un GPU datacenter avec 48 Go de GDDR6 VRAM et 864 Go/s de bande passante memoire. Elle delivre 362 FP16 TFLOPS avec l'architecture Ada Lovelace. Un GPU polyvalent pour l'inference IA, l'entrainement et les charges graphiques. Gere confortablement les modeles quantifies jusqu'a 40B parametres.

Configuration matérielle requise

Taille du modèle	71.29 GB
VRAM disponible	48 GB
VRAM utilisée	385.3 GB
RAM système	80 GB
RAM min requise	71.3 GB
Couches GPU	0 / 48
Taille du contexte	2 097 152
Backend	cuda13
Flash attention	Non

Notes de performance

Mixture-of-Experts

Il s'agit d'un modèle Mixture-of-Experts avec 16 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 de 48 couches s'exécuteront sur le CPU, ce qui peut réduire la vitesse d'inférence.

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-scout-17b-16e-instruct/q5_k_m/nvidia-l40s.yaml) apply

Fichier values.yaml

/values/llama-4-scout-17b-16e-instruct/q5_k_m/nvidia-l40s.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-scout-17b-16e-instruct.gguf "https://huggingface.co/unsloth/Llama-4-Scout-17B-16E-Instruct-GGUF/resolve/main/Q5_K_M/Llama-4-Scout-17B-16E-Instruct-Q5_K_M-00001-of-00002.gguf"

Démarrer le serveur

llama-server \
  -m llama-4-scout-17b-16e-instruct.gguf \
  --n-gpu-layers 0 \
  --ctx-size 2097152

Vérifier

curl http://localhost:8080/health

Explorer

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

Autres quantifications

• Llama 4 Scout 17B 16E Instruct (Q8_0)
• Llama 4 Scout 17B 16E Instruct (Q4_K_M)

Autre matériel

• Llama 4 Scout 17B 16E Instruct on CPU Only
• Llama 4 Scout 17B 16E Instruct on NVIDIA A100 80GB
• Llama 4 Scout 17B 16E Instruct on NVIDIA H100

Questions fréquemment posées

De combien de VRAM Llama 4 Scout 17B 16E Instruct (Q5_K_M) a-t-il besoin ?

La quantification Q5_K_M de Llama 4 Scout 17B 16E Instruct nécessite 71.29 Go. Les 48 Go de VRAM de OVH l40s-1-gpu sont insuffisants pour les couches GPU, l'inférence s'exécute donc sur le CPU.

Puis-je exécuter Llama 4 Scout 17B 16E Instruct sur OVH l40s-1-gpu ?

C'est possible mais non recommandé. OVH l40s-1-gpu n'a pas assez de VRAM pour accélérer Llama 4 Scout 17B 16E Instruct (Q5_K_M), 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. Q5_K_M compresse Llama 4 Scout 17B 16E Instruct de sa taille originale à 71.29 Go.

Quelle quantification choisir pour Llama 4 Scout 17B 16E Instruct ?

Q5_K_M 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 ?

OVH l40s-1-gpu dispose de 48 Go de VRAM, mais Llama 4 Scout 17B 16E Instruct (Q5_K_M) nécessite environ 71.29 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 Scout 17B 16E Instruct utilise une architecture Mixture-of-Experts (MoE) avec 16 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 Scout 17B 16E Instruct (Q5_K_M) avec Ollama ?

Exécutez ollama run llama4:17b-scout-16e-instruct-q5_k_m pour démarrer Llama 4 Scout 17B 16E Instruct (Q5_K_M). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 5 mars 2026