Llama 4 Scout 17B 16E Instruct (Q2_K_L) — 639.4 GBsu NVIDIA H100 640GB

Q2_K_L NVIDIA H100 640GB

Panoramica

Llama 4 Scout 17B 16E Instruct è un modello linguistico moe da 17B parametri di Meta, con capacità di code, multilingual, tool-calls, vision. Supporta una finestra di contesto fino a 10,485,760 token.

Llama 4 Scout 17B 16E Instruct e un modello "Mixture-of-Experts" di Meta con 17 miliardi di parametri per esperto e 16 esperti, attivando un esperto per token. Supporta vision, generazione di codice, "tool calling" e 12 lingue, rendendolo uno dei modelli piu versatili della famiglia Llama 4. Scout punta al segmento orientato all'efficienza, offrendo capacita multimodali a un costo computazionale inferiore rispetto a modelli densi di qualita simile. La sua finestra di contesto da 10M di token e tra le piu grandi disponibili, e si quantizza bene per deployment multi-GPU self-hosted.

Con la quantizzazione Q2_K_L (livello di qualità low), il modello pesa 37.07 GB. Questo rientra nei 640 GB di VRAM di NVIDIA H100 640GB, consentendo l'inferenza completa su GPU.

Requisiti Hardware

Dimensione del modello	37.07 GB
VRAM disponibile	640 GB
VRAM utilizzata	639.4 GB
Livelli GPU	48 / 48
Dimensione del contesto	3.282.727
Backend	cuda13
Flash attention	Sì

Note sulle prestazioni

Mixture-of-Experts

Questo è un modello Mixture-of-Experts con 16 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-scout-17b-16e-instruct/q2_k_l/nvidia-h100-640gb.yaml) apply

File values.yaml

/values/llama-4-scout-17b-16e-instruct/q2_k_l/nvidia-h100-640gb.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-scout-17b-16e-instruct.gguf "https://huggingface.co/unsloth/Llama-4-Scout-17B-16E-Instruct-GGUF/resolve/main/Llama-4-Scout-17B-16E-Instruct-Q2_K_L.gguf"

Avvia server

llama-server \
  -m llama-4-scout-17b-16e-instruct.gguf \
  --n-gpu-layers 48 \
  --ctx-size 3282727 \
  --flash-attn

Verifica

curl http://localhost:8080/health

Esplora

• Configura una distribuzione
• Esplora modelli
• Esplora hardware

Altre quantizzazioni

• Llama 4 Scout 17B 16E Instruct (Q8_0)
• Llama 4 Scout 17B 16E Instruct (Q5_K_M)
• Llama 4 Scout 17B 16E Instruct (Q4_K_M)

Altro hardware

• Llama 4 Scout 17B 16E Instruct on CPU Only
• Llama 4 Scout 17B 16E Instruct on NVIDIA A100 80GB
• Llama 4 Scout 17B 16E Instruct on NVIDIA H100

Domande frequenti

Quanta VRAM serve per Llama 4 Scout 17B 16E Instruct (Q2_K_L)?

La quantizzazione Q2_K_L di Llama 4 Scout 17B 16E Instruct richiede 37.07 GB. Tutti i 48 livelli entrano nei 640 GB di VRAM disponibili su NVIDIA H100 640GB, consentendo un'accelerazione GPU completa.

Posso eseguire Llama 4 Scout 17B 16E Instruct su NVIDIA H100 640GB?

Sì. NVIDIA H100 640GB offre 640 GB di VRAM, sufficienti per eseguire Llama 4 Scout 17B 16E Instruct (Q2_K_L) 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_L comprime Llama 4 Scout 17B 16E Instruct dalla sua dimensione originale a 37.07 GB.

Quale quantizzazione scegliere per Llama 4 Scout 17B 16E Instruct?

Q2_K_L 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 Scout 17B 16E Instruct su NVIDIA H100 640GB, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 640 GB di VRAM disponibili.

Cos'è MoE e come influisce sulla distribuzione?

Llama 4 Scout 17B 16E Instruct utilizza un'architettura Mixture-of-Experts (MoE) con 16 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 Scout 17B 16E Instruct (Q2_K_L) con Ollama?

Esegui ollama run llama4:17b-scout-16e-instruct-q2_k_l per avviare Llama 4 Scout 17B 16E Instruct (Q2_K_L). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 5 marzo 2026