Llama 4 Maverick 17B 128E Instruct (Q6_K_XL) — 49.3 GBsu Scaleway L40S-1-48G
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 Q6_K_XL (livello di qualità high), il modello pesa 317.63 GB. Questo supera i 48 GB di VRAM di Scaleway L40S-1-48G. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.
La NVIDIA L40S e una GPU datacenter con 48 GB di GDDR6 VRAM e 864 GB/s di larghezza di banda della memoria. Offre 362 FP16 TFLOPS con architettura Ada Lovelace. Una GPU versatile per inferenza IA, addestramento e carichi grafici. Gestisce comodamente modelli quantizzati fino a 40B parametri.
Requisiti Hardware
| Dimensione del modello | 317.63 GB |
| VRAM disponibile | 48 GB |
| VRAM utilizzata | 49.3 GB |
| RAM di sistema | 96 GB |
| RAM min richiesta | 317.6 GB |
| Livelli GPU | 0 / 48 |
| Dimensione del contesto | 262.144 |
| Backend | cuda13 |
| Flash attention | No |
| 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/q6_k_xl/nvidia-l40s.yaml) applyFile values.yaml
/values/llama-4-maverick-17b-128e-instruct/q6_k_xl/nvidia-l40s.yaml
Caricamento valori…Domande frequenti
Quanta VRAM serve per Llama 4 Maverick 17B 128E Instruct (Q6_K_XL)?
La quantizzazione Q6_K_XL di Llama 4 Maverick 17B 128E Instruct richiede 317.63 GB. I 48 GB di VRAM di Scaleway L40S-1-48G sono insufficienti per i livelli GPU, quindi l'inferenza viene eseguita sulla CPU.
Posso eseguire Llama 4 Maverick 17B 128E Instruct su Scaleway L40S-1-48G?
È possibile ma non consigliato. Scaleway L40S-1-48G non ha abbastanza VRAM per accelerare Llama 4 Maverick 17B 128E Instruct (Q6_K_XL), 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. Q6_K_XL comprime Llama 4 Maverick 17B 128E Instruct dalla sua dimensione originale a 317.63 GB.
Quale quantizzazione scegliere per Llama 4 Maverick 17B 128E Instruct?
Q6_K_XL 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.
Perché alcuni livelli vengono scaricati sulla CPU?
Scaleway L40S-1-48G ha 48 GB di VRAM, ma Llama 4 Maverick 17B 128E Instruct (Q6_K_XL) richiede circa 317.63 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 (Q6_K_XL) con Ollama?
Esegui ollama run llama4:17b-maverick-128e-instruct-q6_k_xl per avviare Llama 4 Maverick 17B 128E Instruct (Q6_K_XL). Ollama scarica automaticamente i pesi del modello al primo avvio.