Llama 3.3 70B Instruct (Q4_0_8_8) — 78.5 GBsu Apple M4 Max 128GB
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_8_8 (livello di qualità low), il modello pesa 37.22 GB. Questo rientra nei 128 GB di VRAM di Apple M4 Max 128GB, consentendo l'inferenza completa su GPU.
Requisiti Hardware
| Dimensione del modello | 37.22 GB |
| VRAM disponibile | 128 GB |
| VRAM utilizzata | 78.5 GB |
| RAM di sistema | |
| RAM min richiesta | 0 GB |
| Livelli GPU | 80 / 80 |
| Dimensione del contesto | 131.072 |
| Backend | metal |
| Flash attention | Sì |
| Lettura da disco | Sì |
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-Q4_0_8_8.gguf"Avvia server
llama-server \
-m llama-3-3-70b-instruct.gguf \
--n-gpu-layers 80 \
--ctx-size 131072 \
--flash-attnVerifica
curl http://localhost:8080/healthDomande frequenti
Quanta VRAM serve per Llama 3.3 70B Instruct (Q4_0_8_8)?
La quantizzazione Q4_0_8_8 di Llama 3.3 70B Instruct richiede 37.22 GB. Tutti i 80 livelli entrano nei 128 GB di VRAM disponibili su Apple M4 Max 128GB, consentendo un'accelerazione GPU completa.
Posso eseguire Llama 3.3 70B Instruct su Apple M4 Max 128GB?
Sì. Apple M4 Max 128GB offre 128 GB di VRAM, sufficienti per eseguire Llama 3.3 70B Instruct (Q4_0_8_8) 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_8_8 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_8_8 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 M4 Max 128GB, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 128 GB di VRAM disponibili.
Come eseguire Llama 3.3 70B Instruct (Q4_0_8_8) con Ollama?
Esegui ollama run llama3.3:70b-instruct-q4_0_8_8 per avviare Llama 3.3 70B Instruct (Q4_0_8_8). Ollama scarica automaticamente i pesi del modello al primo avvio.