Llama 3.3 70B Instruct (Q6_K) — 23.4 GBsu NVIDIA RTX 4090
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 Q6_K (livello di qualità high), il modello pesa 53.91 GB. Questo supera i 24 GB di VRAM di NVIDIA RTX 4090. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.
La NVIDIA GeForce RTX 4090 e una GPU consumer con 24 GB di GDDR6X VRAM e 1008 GB/s di larghezza di banda della memoria. Offre 82.6 FP16 TFLOPS, rendendola una delle schede consumer piu veloci per l'inferenza LLM locale. Gestisce comodamente modelli quantizzati fino a 20B parametri. Ideale per chi costruisce home lab e per gli sviluppatori che desiderano inferenza ad alto throughput senza hardware datacenter.
Requisiti Hardware
| Dimensione del modello | 53.91 GB |
| VRAM disponibile | 24 GB |
| VRAM utilizzata | 23.4 GB |
| RAM di sistema | |
| RAM min richiesta | 32.3 GB |
| Livelli GPU | 32 / 80 |
| Dimensione del contesto | 1937 |
| Backend | cuda13 |
| Flash attention | Sì |
| Lettura da disco | Sì |
Note sulle prestazioni
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/q6_k/nvidia-rtx4090.yaml) applyFile values.yaml
/values/llama-3-3-70b-instruct/q6_k/nvidia-rtx4090.yaml
Caricamento valori…Domande frequenti
Quanta VRAM serve per Llama 3.3 70B Instruct (Q6_K)?
La quantizzazione Q6_K di Llama 3.3 70B Instruct richiede 53.91 GB. 32 dei 80 livelli entrano nei 24 GB di VRAM di NVIDIA RTX 4090; i livelli rimanenti vengono scaricati sulla CPU.
Posso eseguire Llama 3.3 70B Instruct su NVIDIA RTX 4090?
Sì, con prestazioni ridotte. NVIDIA RTX 4090 può eseguire Llama 3.3 70B Instruct (Q6_K), ma solo 32 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. Q6_K comprime Llama 3.3 70B Instruct dalla sua dimensione originale a 53.91 GB.
Quale quantizzazione scegliere per Llama 3.3 70B Instruct?
Q6_K è una quantizzazione di alta 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 RTX 4090, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 24 GB di VRAM disponibili.
Perché alcuni livelli vengono scaricati sulla CPU?
NVIDIA RTX 4090 ha 24 GB di VRAM, ma Llama 3.3 70B Instruct (Q6_K) richiede circa 53.91 GB. Solo 32 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 (Q6_K) con Ollama?
Esegui ollama run llama3.3:70b-instruct-q6_k per avviare Llama 3.3 70B Instruct (Q6_K). Ollama scarica automaticamente i pesi del modello al primo avvio.