Llama 4 Scout 17B 16E Instruct (Q5_K_M) — 385.3 GBsu NVIDIA A100 80GB

Q5_K_M NVIDIA A100 80GB

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 Q5_K_M (livello di qualità medium), il modello pesa 71.29 GB. Questo rientra nei 80 GB di VRAM di NVIDIA A100 80GB, consentendo l'inferenza completa su GPU.

La NVIDIA A100 80 GB e una GPU datacenter con 80 GB di HBM2e VRAM e 2039 GB/s di larghezza di banda della memoria. Offre 312 FP16 TFLOPS, consentendo un'inferenza rapida su grandi modelli linguistici fino a 70B parametri con quantizzazione moderata. Ideale per team datacenter che eseguono carichi di lavoro LLM in produzione e richiedono elevata capacita di memoria e throughput.

Requisiti Hardware

Dimensione del modello	71.29 GB
VRAM disponibile	80 GB
VRAM utilizzata	385.3 GB
RAM min richiesta	71.3 GB
Livelli GPU	0 / 48
Dimensione del contesto	2.097.152
Backend	cuda13
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 71.3 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-scout-17b-16e-instruct/q5_k_m/nvidia-a100-80gb.yaml) apply

File values.yaml

/values/llama-4-scout-17b-16e-instruct/q5_k_m/nvidia-a100-80gb.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/Q5_K_M/Llama-4-Scout-17B-16E-Instruct-Q5_K_M-00001-of-00002.gguf"

Avvia server

llama-server \
  -m llama-4-scout-17b-16e-instruct.gguf \
  --n-gpu-layers 0 \
  --ctx-size 2097152

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 (Q4_K_M)

Altro hardware

• Llama 4 Scout 17B 16E Instruct on CPU Only
• 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 (Q5_K_M)?

La quantizzazione Q5_K_M di Llama 4 Scout 17B 16E Instruct richiede 71.29 GB. I 80 GB di VRAM di NVIDIA A100 80GB sono insufficienti per i livelli GPU, quindi l'inferenza viene eseguita sulla CPU.

Posso eseguire Llama 4 Scout 17B 16E Instruct su NVIDIA A100 80GB?

È possibile ma non consigliato. NVIDIA A100 80GB non ha abbastanza VRAM per accelerare Llama 4 Scout 17B 16E Instruct (Q5_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. Q5_K_M comprime Llama 4 Scout 17B 16E Instruct dalla sua dimensione originale a 71.29 GB.

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

Q5_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?

NVIDIA A100 80GB ha 80 GB di VRAM, ma Llama 4 Scout 17B 16E Instruct (Q5_K_M) richiede circa 71.29 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 (Q5_K_M) con Ollama?

Esegui ollama run llama4:17b-scout-16e-instruct-q5_k_m per avviare Llama 4 Scout 17B 16E Instruct (Q5_K_M). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 5 marzo 2026