Llama 4 Scout 17B 16E Instruct (Q5_K_S) — 385.3 GBsu OVH l4-1-gpu

Q5_K_S OVH l4-1-gpu

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_S (livello di qualità medium), il modello pesa 69.16 GB. Questo supera i 24 GB di VRAM di OVH l4-1-gpu. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.

La NVIDIA L4 e una GPU datacenter per inferenza con 24 GB di GDDR6 VRAM e 300 GB/s di larghezza di banda della memoria. Offre 121 FP16 TFLOPS con architettura Ada Lovelace. Progettata per carichi di inferenza efficienti e a basso consumo in deployment cloud ed edge. Gestisce modelli quantizzati fino a 20B parametri.

Requisiti Hardware

Dimensione del modello	69.16 GB
VRAM disponibile	24 GB
VRAM utilizzata	385.3 GB
RAM di sistema	80 GB
RAM min richiesta	69.2 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 verranno eseguiti su CPU, il che può ridurre la velocità d'inferenza.

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_s/nvidia-l4.yaml) apply

File values.yaml

/values/llama-4-scout-17b-16e-instruct/q5_k_s/nvidia-l4.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_S/Llama-4-Scout-17B-16E-Instruct-Q5_K_S-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 (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 (Q5_K_S)?

La quantizzazione Q5_K_S di Llama 4 Scout 17B 16E Instruct richiede 69.16 GB. I 24 GB di VRAM di OVH l4-1-gpu sono insufficienti per i livelli GPU, quindi l'inferenza viene eseguita sulla CPU.

Posso eseguire Llama 4 Scout 17B 16E Instruct su OVH l4-1-gpu?

È possibile ma non consigliato. OVH l4-1-gpu non ha abbastanza VRAM per accelerare Llama 4 Scout 17B 16E 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 Scout 17B 16E Instruct dalla sua dimensione originale a 69.16 GB.

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

OVH l4-1-gpu ha 24 GB di VRAM, ma Llama 4 Scout 17B 16E Instruct (Q5_K_S) richiede circa 69.16 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_S) con Ollama?

Esegui ollama run llama4:17b-scout-16e-instruct-q5_k_s per avviare Llama 4 Scout 17B 16E Instruct (Q5_K_S). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 5 marzo 2026