Llama 3.3 70B Instruct (Q4_0_4_4) — 78.5 GBsu NVIDIA L4 96GB
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 Q4_0_4_4 (livello di qualità low), il modello pesa 37.22 GB. Questo rientra nei 96 GB di VRAM di NVIDIA L4 96GB, consentendo l'inferenza completa su GPU.
Requisiti Hardware
| Dimensione del modello | 37.22 GB |
| VRAM disponibile | 96 GB |
| VRAM utilizzata | 78.5 GB |
| RAM di sistema | |
| RAM min richiesta | 0 GB |
| Livelli GPU | 80 / 80 |
| Dimensione del contesto | 131.072 |
| Backend | cuda13 |
| Flash attention | Sì |
| Lettura da disco | Sì |
Distribuzione
Prerequisiti
Assicurati che i nodi GPU siano preparati con il NVIDIA container toolkit:
ansible-playbook prositronic.infra.nvidia_container_toolkitComando
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/llama-3-3-70b-instruct/q4_0_4_4/nvidia-l4-96gb.yaml) applyFile values.yaml
/values/llama-3-3-70b-instruct/q4_0_4_4/nvidia-l4-96gb.yaml
Caricamento valori…Domande frequenti
Quanta VRAM serve per Llama 3.3 70B Instruct (Q4_0_4_4)?
La quantizzazione Q4_0_4_4 di Llama 3.3 70B Instruct richiede 37.22 GB. Tutti i 80 livelli entrano nei 96 GB di VRAM disponibili su NVIDIA L4 96GB, consentendo un'accelerazione GPU completa.
Posso eseguire Llama 3.3 70B Instruct su NVIDIA L4 96GB?
Sì. NVIDIA L4 96GB offre 96 GB di VRAM, sufficienti per eseguire Llama 3.3 70B Instruct (Q4_0_4_4) con tutti i livelli sulla GPU per prestazioni ottimali.
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. Q4_0_4_4 comprime Llama 3.3 70B Instruct dalla sua dimensione originale a 37.22 GB.
Quale quantizzazione scegliere per Llama 3.3 70B Instruct?
Q4_0_4_4 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 NVIDIA L4 96GB, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 96 GB di VRAM disponibili.
Come eseguire Llama 3.3 70B Instruct (Q4_0_4_4) con Ollama?
Esegui ollama run llama3.3:70b-instruct-q4_0_4_4 per avviare Llama 3.3 70B Instruct (Q4_0_4_4). Ollama scarica automaticamente i pesi del modello al primo avvio.