Llama 4 Maverick 17B 128E Instruct (Q4_1) — 383.4 GBsu NVIDIA L40S 384GB

Q4_1 NVIDIA L40S 384GB

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 Q4_1 (livello di qualità medium), il modello pesa 233.49 GB. Questo rientra nei 384 GB di VRAM di NVIDIA L40S 384GB, consentendo l'inferenza completa su GPU.

Requisiti Hardware

Dimensione del modello	233.49 GB
VRAM disponibile	384 GB
VRAM utilizzata	383.4 GB
Livelli GPU	48 / 48
Dimensione del contesto	811.910
Backend	cuda13
Flash attention	Sì

Note sulle prestazioni

Mixture-of-Experts

Questo è un modello Mixture-of-Experts con 128 esperti totali, di cui 1 sono attivi per token. Solo gli esperti attivi necessitano di accesso rapido alla GPU — i pesi degli esperti inattivi possono risiedere nella RAM di sistema con un impatto minimo sulla velocità di generazione.

Leggi la guida al deployment MoE →

Conversazioni più brevi

La dimensione del contesto è stata ridotta a causa di vincoli di memoria. Questo può influire sulla capacità del modello di gestire conversazioni lunghe.

Distribuzione

Server Locale

Prerequisiti

Assicurati che i nodi GPU siano preparati con il NVIDIA container toolkit:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Comando

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/llama-4-maverick-17b-128e-instruct/q4_1/nvidia-l40s-384gb.yaml) apply

File values.yaml

/values/llama-4-maverick-17b-128e-instruct/q4_1/nvidia-l40s-384gb.yaml

Caricamento valori…

Installa llama.cpp

Installa llama.cpp dalle istruzioni di compilazione ufficiali per la tua piattaforma e backend.

Scarica modello

curl -L -o llama-4-maverick-17b-128e-instruct.gguf "https://huggingface.co/unsloth/Llama-4-Maverick-17B-128E-Instruct-GGUF/resolve/main/Q4_1/Llama-4-Maverick-17B-128E-Instruct-Q4_1-00001-of-00006.gguf"

Avvia server

llama-server \
  -m llama-4-maverick-17b-128e-instruct.gguf \
  --n-gpu-layers 48 \
  --ctx-size 811910 \
  --flash-attn

Verifica

curl http://localhost:8080/health

Esplora

• Configura una distribuzione
• Esplora modelli
• Esplora hardware

Altre quantizzazioni

• Llama 4 Maverick 17B 128E Instruct (Q8_0)
• Llama 4 Maverick 17B 128E Instruct (Q5_K_M)
• Llama 4 Maverick 17B 128E Instruct (Q4_K_M)

Altro hardware

• Llama 4 Maverick 17B 128E Instruct on CPU Only
• Llama 4 Maverick 17B 128E Instruct on NVIDIA A100 80GB
• Llama 4 Maverick 17B 128E Instruct on NVIDIA H100

Domande frequenti

Quanta VRAM serve per Llama 4 Maverick 17B 128E Instruct (Q4_1)?

La quantizzazione Q4_1 di Llama 4 Maverick 17B 128E Instruct richiede 233.49 GB. Tutti i 48 livelli entrano nei 384 GB di VRAM disponibili su NVIDIA L40S 384GB, consentendo un'accelerazione GPU completa.

Posso eseguire Llama 4 Maverick 17B 128E Instruct su NVIDIA L40S 384GB?

Sì. NVIDIA L40S 384GB offre 384 GB di VRAM, sufficienti per eseguire Llama 4 Maverick 17B 128E Instruct (Q4_1) 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_1 comprime Llama 4 Maverick 17B 128E Instruct dalla sua dimensione originale a 233.49 GB.

Quale quantizzazione scegliere per Llama 4 Maverick 17B 128E Instruct?

Q4_1 è una quantizzazione di qualità media. 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 L40S 384GB, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 384 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 (Q4_1) con Ollama?

Esegui ollama run llama4:17b-maverick-128e-instruct-q4_1 per avviare Llama 4 Maverick 17B 128E Instruct (Q4_1). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 5 marzo 2026