Llama 4 Maverick 17B 128E Instruct (Q5_K_S) — 49.3 GBsu NVIDIA RTX 4000 SFF

Q5_K_S NVIDIA RTX 4000 SFF

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 Q5_K_S (livello di qualità medium), il modello pesa 256.77 GB. Questo supera i 20 GB di VRAM di NVIDIA RTX 4000 SFF. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.

Requisiti Hardware

Dimensione del modello	256.77 GB
VRAM disponibile	20 GB
VRAM utilizzata	49.3 GB
RAM min richiesta	256.8 GB
Livelli GPU	0 / 48
Dimensione del contesto	262.144
Backend	cuda13
Flash attention	No

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 →

Prestazioni ridotte

48 di 48 livelli vengono eseguiti su CPU. Il sistema necessita di almeno 256.8 GB di RAM. Se la RAM di sistema è insufficiente, i dati verranno letti dal disco su richiesta, con un impatto significativo sulle prestazioni.

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/q5_k_s/nvidia-rtx4000sff.yaml) apply

File values.yaml

/values/llama-4-maverick-17b-128e-instruct/q5_k_s/nvidia-rtx4000sff.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/Q5_K_S/Llama-4-Maverick-17B-128E-Instruct-Q5_K_S-00001-of-00006.gguf"

Avvia server

llama-server \
  -m llama-4-maverick-17b-128e-instruct.gguf \
  --n-gpu-layers 0 \
  --ctx-size 262144

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 (Q5_K_S)?

La quantizzazione Q5_K_S di Llama 4 Maverick 17B 128E Instruct richiede 256.77 GB. I 20 GB di VRAM di NVIDIA RTX 4000 SFF sono insufficienti per i livelli GPU, quindi l'inferenza viene eseguita sulla CPU.

Posso eseguire Llama 4 Maverick 17B 128E Instruct su NVIDIA RTX 4000 SFF?

È possibile ma non consigliato. NVIDIA RTX 4000 SFF non ha abbastanza VRAM per accelerare Llama 4 Maverick 17B 128E Instruct (Q5_K_S), quindi l'inferenza si baserà su CPU e RAM di sistema.

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. Q5_K_S comprime Llama 4 Maverick 17B 128E Instruct dalla sua dimensione originale a 256.77 GB.

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

Q5_K_S 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.

Perché alcuni livelli vengono scaricati sulla CPU?

NVIDIA RTX 4000 SFF ha 20 GB di VRAM, ma Llama 4 Maverick 17B 128E Instruct (Q5_K_S) richiede circa 256.77 GB. Solo 0 dei 48 livelli entrano nella VRAM; i livelli rimanenti vengono eseguiti sulla CPU, che è più lenta ma funzionale.

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 (Q5_K_S) con Ollama?

Esegui ollama run llama4:17b-maverick-128e-instruct-q5_k_s per avviare Llama 4 Maverick 17B 128E Instruct (Q5_K_S). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 5 marzo 2026