Llama 4 Scout 17B 16E Instruct (Q4_K_M)su CPU Only

Q4_K_M CPU Only

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 Q4_K_M (livello di qualità medium), il modello pesa 60.87 GB. Questo supera i 0 GB di VRAM di CPU Only. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.

Una configurazione solo CPU senza accelerazione GPU. L'inferenza viene eseguita interamente sulla CPU, il che e notevolmente piu lento rispetto alle configurazioni con GPU, ma non richiede hardware specializzato. Prestazioni e dimensione massima del modello dipendono dalla RAM disponibile. Adatta a test, sviluppo o deployment dove non e disponibile una GPU.

Requisiti Hardware

Dimensione del modello	60.87 GB
VRAM disponibile	0 GB
VRAM utilizzata	0 GB
RAM min richiesta	60.9 GB
Livelli GPU	0 / 48
Dimensione del contesto	10.485.760
Backend	cpu
Flash attention	No

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 →

Prestazioni ridotte

48 di 48 livelli vengono eseguiti su CPU. Il sistema necessita di almeno 60.9 GB di RAM. Se la RAM di sistema è insufficiente, i dati verranno letti dal disco su richiesta, con un impatto significativo sulle prestazioni.

Distribuzione

Server Locale

Comando

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/llama-4-scout-17b-16e-instruct/q4_k_m/cpu.yaml) apply

File values.yaml

/values/llama-4-scout-17b-16e-instruct/q4_k_m/cpu.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/Q4_K_M/Llama-4-Scout-17B-16E-Instruct-Q4_K_M-00001-of-00002.gguf"

Avvia server

llama-server \
  -m llama-4-scout-17b-16e-instruct.gguf \
  --n-gpu-layers 0 \
  --ctx-size 10485760

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)

Altro hardware

• Llama 4 Scout 17B 16E Instruct on NVIDIA A100 80GB
• Llama 4 Scout 17B 16E Instruct on NVIDIA H100
• Llama 4 Scout 17B 16E Instruct on NVIDIA RTX 3090

Domande frequenti

Quanta VRAM serve per Llama 4 Scout 17B 16E Instruct (Q4_K_M)?

La quantizzazione Q4_K_M di Llama 4 Scout 17B 16E Instruct richiede 60.87 GB. I 0 GB di VRAM di CPU Only sono insufficienti per i livelli GPU, quindi l'inferenza viene eseguita sulla CPU.

Posso eseguire Llama 4 Scout 17B 16E Instruct su CPU Only?

È possibile ma non consigliato. CPU Only non ha abbastanza VRAM per accelerare Llama 4 Scout 17B 16E Instruct (Q4_K_M), 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. Q4_K_M comprime Llama 4 Scout 17B 16E Instruct dalla sua dimensione originale a 60.87 GB.

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

Q4_K_M 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?

CPU Only ha 0 GB di VRAM, ma Llama 4 Scout 17B 16E Instruct (Q4_K_M) richiede circa 60.87 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 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 (Q4_K_M) con Ollama?

Esegui ollama run llama4:17b-scout-16e-instruct-q4_k_m per avviare Llama 4 Scout 17B 16E Instruct (Q4_K_M). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 5 marzo 2026