Meta Llama 3.1 8B Instruct (FP32) — 19.4 GBsu NVIDIA RTX 4000 SFF
Panoramica
Meta Llama 3.1 8B Instruct è un modello linguistico dense da 8B parametri di Meta, con capacità di code, multilingual, tool-calls. Supporta una finestra di contesto fino a 131,072 token.
Meta Llama 3.1 8B Instruct e un trasformatore denso da 8 miliardi di parametri di Meta, progettato per il seguimento di istruzioni, la generazione di codice e compiti multilingue. Offre un ottimo equilibrio tra qualita ed efficienza nella categoria dei modelli piccoli, superando molte alternative di classe 7B nei benchmark standard. Il modello supporta il "tool calling" e otto lingue tra cui inglese, tedesco e francese. Con una finestra di contesto da 128K e supporto "flash attention", funziona comodamente su una singola GPU consumer ai livelli di quantizzazione Q4.
Con la quantizzazione FP32 (livello di qualità full-precision), il modello pesa 29.92 GB. Questo supera i 20 GB di VRAM di NVIDIA RTX 4000 SFF. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.
Requisiti Hardware
| Dimensione del modello | 29.92 GB |
| VRAM disponibile | 20 GB |
| VRAM utilizzata | 19.4 GB |
| RAM di sistema | |
| RAM min richiesta | 12.2 GB |
| Livelli GPU | 19 / 32 |
| Dimensione del contesto | 3197 |
| Backend | cuda13 |
| Flash attention | Sì |
| 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/meta-llama-3-1-8b-instruct/fp32/nvidia-rtx4000sff.yaml) applyFile values.yaml
/values/meta-llama-3-1-8b-instruct/fp32/nvidia-rtx4000sff.yaml
Caricamento valori…Domande frequenti
Quanta VRAM serve per Meta Llama 3.1 8B Instruct (FP32)?
La quantizzazione FP32 di Meta Llama 3.1 8B Instruct richiede 29.92 GB. 19 dei 32 livelli entrano nei 20 GB di VRAM di NVIDIA RTX 4000 SFF; i livelli rimanenti vengono scaricati sulla CPU.
Posso eseguire Meta Llama 3.1 8B Instruct su NVIDIA RTX 4000 SFF?
Sì, con prestazioni ridotte. NVIDIA RTX 4000 SFF può eseguire Meta Llama 3.1 8B Instruct (FP32), ma solo 19 dei 32 livelli entrano nella VRAM. Il resto viene scaricato sulla CPU.
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. FP32 comprime Meta Llama 3.1 8B Instruct dalla sua dimensione originale a 29.92 GB.
Quale quantizzazione scegliere per Meta Llama 3.1 8B Instruct?
FP32 è una quantizzazione di piena precisione. 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 Meta Llama 3.1 8B Instruct su NVIDIA RTX 4000 SFF, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 20 GB di VRAM disponibili.
Perché alcuni livelli vengono scaricati sulla CPU?
NVIDIA RTX 4000 SFF ha 20 GB di VRAM, ma Meta Llama 3.1 8B Instruct (FP32) richiede circa 29.92 GB. Solo 19 dei 32 livelli entrano nella VRAM; i livelli rimanenti vengono eseguiti sulla CPU, che è più lenta ma funzionale.
Come eseguire Meta Llama 3.1 8B Instruct (FP32) con Ollama?
Esegui ollama run llama3.1:8b-instruct-fp32 per avviare Meta Llama 3.1 8B Instruct (FP32). Ollama scarica automaticamente i pesi del modello al primo avvio.