Meta Llama 3.1 8B Instruct (FP32) — 47.2 Gosur Apple M3 Max 64GB
Aperçu
Meta Llama 3.1 8B Instruct est un modèle de langage dense de 8B 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.
Meta Llama 3.1 8B Instruct est un transformeur dense de 8 milliards de parametres de Meta, concu pour le suivi d'instructions, la generation de code et les taches multilingues. Il offre un excellent equilibre entre qualite et efficacite dans la categorie des petits modeles, surpassant de nombreuses alternatives de classe 7B sur les benchmarks standards. Le modele prend en charge le "tool calling" et huit langues dont l'anglais, l'allemand et le francais. Avec une fenetre de contexte de 128K et le support "flash attention", il fonctionne confortablement sur un seul GPU grand public aux niveaux de quantification Q4.
Avec la quantification FP32 (niveau de qualité full-precision), le modèle pèse 29.92 Go. Cela tient dans les 64 Go de VRAM de Apple M3 Max 64GB, permettant une inférence entièrement sur GPU.
Configuration matérielle requise
| Taille du modèle | 29.92 GB |
| VRAM disponible | 64 GB |
| VRAM utilisée | 47.2 GB |
| RAM système | |
| RAM min requise | 0 GB |
| Couches GPU | 32 / 32 |
| Taille du contexte | 131 072 |
| Backend | metal |
| Flash attention | Oui |
| Lecture depuis le disque | Oui |
Déploiement
Installer llama.cpp
brew install llama.cppTélécharger le modèle
curl -L -o meta-llama-3-1-8b-instruct.gguf "https://huggingface.co/bartowski/Meta-Llama-3.1-8B-Instruct-GGUF/resolve/main/Meta-Llama-3.1-8B-Instruct-f32.gguf"Démarrer le serveur
llama-server \
-m meta-llama-3-1-8b-instruct.gguf \
--n-gpu-layers 32 \
--ctx-size 131072 \
--flash-attnVérifier
curl http://localhost:8080/healthQuestions fréquemment posées
De combien de VRAM Meta Llama 3.1 8B Instruct (FP32) a-t-il besoin ?
La quantification FP32 de Meta Llama 3.1 8B Instruct nécessite 29.92 Go. Les 32 couches tiennent dans les 64 Go de VRAM disponibles sur Apple M3 Max 64GB, permettant une accélération GPU complète.
Puis-je exécuter Meta Llama 3.1 8B Instruct sur Apple M3 Max 64GB ?
Oui. Apple M3 Max 64GB dispose de 64 Go de VRAM, ce qui suffit pour exécuter Meta Llama 3.1 8B Instruct (FP32) 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. FP32 compresse Meta Llama 3.1 8B Instruct de sa taille originale à 29.92 Go.
Quelle quantification choisir pour Meta Llama 3.1 8B Instruct ?
FP32 est une quantification pleine précision. 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 Meta Llama 3.1 8B Instruct sur Apple M3 Max 64GB, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 64 Go de VRAM disponibles.
Comment exécuter Meta Llama 3.1 8B Instruct (FP32) avec Ollama ?
Exécutez ollama run llama3.1:8b-instruct-fp32 pour démarrer Meta Llama 3.1 8B Instruct (FP32). Ollama télécharge automatiquement les poids du modèle au premier lancement.