Llama 4 Maverick 17B 128E Instruct (Q2_K) — 79.4 GBsu NVIDIA H100
Panoramica
Llama 4 Maverick 17B 128E Instruct è un modello linguistico moe da 396.58B parametri di Meta, con capacità di code, multilingual, tool-calls, vision. Supporta una finestra di contesto fino a 1,048,576 token.
Llama 4 Maverick 17B 128E Instruct e un modello "Mixture-of-Experts" su larga scala di Meta con 17 miliardi di parametri per esperto e 128 esperti, attivando un esperto per token per un totale di circa 400 miliardi di parametri. Offre prestazioni di frontiera in vision, generazione di codice e compiti multilingue in 12 lingue. Maverick rappresenta il livello ad alta capacita della famiglia Llama 4, scambiando requisiti di memoria piu elevati con risultati di benchmark superiori. Con una finestra di contesto da 1M di token, richiede configurazioni multi-GPU ma si quantizza fino a livelli Q2.
Con la quantizzazione Q2_K (livello di qualità low), il modello pesa 135.64 GB. Questo supera i 80 GB di VRAM di NVIDIA H100. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.
La NVIDIA H100 80 GB e una GPU datacenter con 80 GB di HBM3 VRAM e 3350 GB/s di larghezza di banda della memoria. Offre 1979 FP16 TFLOPS sull'architettura Hopper, rendendola l'opzione GPU singola piu veloce per l'inferenza di grandi modelli linguistici. Gestisce modelli fino a 70B parametri con elevato throughput. Progettata per team datacenter che eseguono carichi di lavoro IA impegnativi in produzione.
Requisiti Hardware
| Dimensione del modello | 135.64 GB |
| VRAM disponibile | 80 GB |
| VRAM utilizzata | 79.4 GB |
| RAM di sistema | |
| RAM min richiesta | 135.4 GB |
| Livelli GPU | 48 / 48 |
| Dimensione del contesto | 425.387 |
| 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-4-maverick-17b-128e-instruct/q2_k/nvidia-h100-80gb.yaml) applyFile values.yaml
/values/llama-4-maverick-17b-128e-instruct/q2_k/nvidia-h100-80gb.yaml
Caricamento valori…Domande frequenti
Quanta VRAM serve per Llama 4 Maverick 17B 128E Instruct (Q2_K)?
La quantizzazione Q2_K di Llama 4 Maverick 17B 128E Instruct richiede 135.64 GB. Tutti i 48 livelli entrano nei 80 GB di VRAM disponibili su NVIDIA H100, consentendo un'accelerazione GPU completa.
Posso eseguire Llama 4 Maverick 17B 128E Instruct su NVIDIA H100?
Sì. NVIDIA H100 offre 80 GB di VRAM, sufficienti per eseguire Llama 4 Maverick 17B 128E Instruct (Q2_K) 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. Q2_K comprime Llama 4 Maverick 17B 128E Instruct dalla sua dimensione originale a 135.64 GB.
Quale quantizzazione scegliere per Llama 4 Maverick 17B 128E Instruct?
Q2_K 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 4 Maverick 17B 128E Instruct su NVIDIA H100, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 80 GB di VRAM disponibili.
Cos'è MoE e come influisce sulla distribuzione?
Llama 4 Maverick 17B 128E Instruct utilizza un'architettura Mixture-of-Experts (MoE) con 128 esperti, di cui 1 attivi per token. Ciò significa che solo una frazione dei pesi del modello viene utilizzata per ogni passaggio di inferenza, consentendo ai modelli MoE di avere un numero totale di parametri maggiore rimanendo efficienti durante l'inferenza.
Come eseguire Llama 4 Maverick 17B 128E Instruct (Q2_K) con Ollama?
Esegui ollama run llama4:17b-maverick-128e-instruct-q2_k per avviare Llama 4 Maverick 17B 128E Instruct (Q2_K). Ollama scarica automaticamente i pesi del modello al primo avvio.