Llama 3.3 70B Instruct (Q3_K_M) — 15.4 GBsu Apple M2 Pro 16GB
Panoramica
Llama 3.3 70B Instruct è un modello linguistico dense da 70B parametri di Meta, con capacità di code, multilingual, tool-calls. Supporta una finestra di contesto fino a 131,072 token.
Llama 3.3 70B Instruct e un trasformatore denso da 70 miliardi di parametri di Meta, ottimizzato per il seguimento di istruzioni, la generazione di codice e la conversazione multilingue. Offre prestazioni competitive con modelli piu grandi della famiglia Llama, rimanendo pratico per deployment GPU su singolo nodo. Il modello supporta il "tool calling" e otto lingue tra cui inglese, francese, spagnolo e tedesco. Con una finestra di contesto da 128K e "grouped-query attention", si quantizza in modo efficiente fino a livelli Q4 per inferenza self-hosted su hardware consumer.
Con la quantizzazione Q3_K_M (livello di qualità low), il modello pesa 31.91 GB. Questo supera i 16 GB di VRAM di Apple M2 Pro 16GB. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.
Requisiti Hardware
| Dimensione del modello | 31.91 GB |
| VRAM disponibile | 16 GB |
| VRAM utilizzata | 15.4 GB |
| RAM di sistema | |
| RAM min richiesta | 17.9 GB |
| Livelli GPU | 35 / 80 |
| Dimensione del contesto | 637 |
| Backend | metal |
| Flash attention | Sì |
| Lettura da disco | Sì |
Note sulle prestazioni
Distribuzione
Installa llama.cpp
brew install llama.cppScarica modello
curl -L -o llama-3-3-70b-instruct.gguf "https://huggingface.co/bartowski/Llama-3.3-70B-Instruct-GGUF/resolve/main/Llama-3.3-70B-Instruct-Q3_K_M.gguf"Avvia server
llama-server \
-m llama-3-3-70b-instruct.gguf \
--n-gpu-layers 35 \
--ctx-size 637 \
--flash-attnVerifica
curl http://localhost:8080/healthDomande frequenti
Quanta VRAM serve per Llama 3.3 70B Instruct (Q3_K_M)?
La quantizzazione Q3_K_M di Llama 3.3 70B Instruct richiede 31.91 GB. 35 dei 80 livelli entrano nei 16 GB di VRAM di Apple M2 Pro 16GB; i livelli rimanenti vengono scaricati sulla CPU.
Posso eseguire Llama 3.3 70B Instruct su Apple M2 Pro 16GB?
Sì, con prestazioni ridotte. Apple M2 Pro 16GB può eseguire Llama 3.3 70B Instruct (Q3_K_M), ma solo 35 dei 80 livelli entrano nella VRAM. Il resto viene scaricato sulla CPU.
Cos'è la quantizzazione?
La quantizzazione riduce la precisione numerica di un modello dal suo formato originale in virgola mobile a una rappresentazione più compatta. Questo riduce la dimensione del file e l'impronta VRAM, rendendo possibile eseguire modelli di grandi dimensioni su hardware consumer. Il compromesso è una leggera riduzione della qualità dell'output. Q3_K_M comprime Llama 3.3 70B Instruct dalla sua dimensione originale a 31.91 GB.
Quale quantizzazione scegliere per Llama 3.3 70B Instruct?
Q3_K_M è una quantizzazione di bassa qualità. I quant di qualità superiore (Q8, Q6) preservano maggiore precisione del modello ma necessitano di più VRAM. I quant inferiori (Q4, Q3, Q2) riducono l'uso di VRAM a scapito della qualità. Scegli in base al tuo hardware disponibile e ai requisiti di qualità.
Cos'è il flash attention e perché è attivato?
Flash attention è un algoritmo efficiente in memoria che accelera il meccanismo di attenzione nei modelli transformer. Riduce l'uso di VRAM durante l'inferenza evitando la materializzazione della matrice di attenzione completa. Per Llama 3.3 70B Instruct su Apple M2 Pro 16GB, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 16 GB di VRAM disponibili.
Perché alcuni livelli vengono scaricati sulla CPU?
Apple M2 Pro 16GB ha 16 GB di VRAM, ma Llama 3.3 70B Instruct (Q3_K_M) richiede circa 31.91 GB. Solo 35 dei 80 livelli entrano nella VRAM; i livelli rimanenti vengono eseguiti sulla CPU, che è più lenta ma funzionale.
Come eseguire Llama 3.3 70B Instruct (Q3_K_M) con Ollama?
Esegui ollama run llama3.3:70b-instruct-q3_k_m per avviare Llama 3.3 70B Instruct (Q3_K_M). Ollama scarica automaticamente i pesi del modello al primo avvio.