Llama 3.3 70B Instruct — VRAM, szybkość i lokalna konfiguracja
Autor: Jakub Rusinowski · Ostatnia aktualizacja:
The current king of open weights. Exceptionally capable at following complex instructions, coding, and creative writing.
Llama 3.3 70B Instruct potrzebuje około 43 GB VRAM przy Q2_K_XS (Tight) — skwantyzowane wagi plus narzut frameworka, bez pamięci podręcznej KV. Na Apple Silicon ta wartość pochodzi z pamięci zunifikowanej.
VRAM i szybkość według kwantyzacji
Liczone dla NVIDIA RTX 4090 (24 GB). Obejmuje pamięć podręczną KV przy kontekście 8K, więc wartości są wyższe niż główna liczba.
| Kwant. | Pamięć | VRAM | Szybkość (szac.) | Dopasowanie |
|---|---|---|---|---|
| Q2_K 2.63 bpw | 26.5 GB | ~4 tok/s | Częściowo w RAM | |
| Q3_K_M 3.41 bpw | 33.3 GB | ~3 tok/s | Częściowo w RAM | |
| Q4_K_M 4.83 bpw | 45.7 GB | ~3 tok/s | Częściowo w RAM | |
| Q5_K_M 5.67 bpw | 53.1 GB | ~2 tok/s | Częściowo w RAM | |
| Q6_K 6.56 bpw | 60.9 GB | — | Za duży | |
| Q8_0 8.50 bpw | 77.9 GB | — | Za duży | |
| F16 16.00 bpw | 143.5 GB | — | Za duży |
Czarny znacznik = dostępna pamięć na NVIDIA RTX 4090 (24 GB). Szacunki z modelu przepustowości pamięci opisanego na stronie metodologii. Kalkulator VRAM dla Llama 3.3 70B Instruct →
Uruchom Llama 3.3 70B Instruct
Najtańsze GPU z naszego katalogu, które uruchomi Llama 3.3 70B Instruct, to NVIDIA DGX Spark (128 GB).
Jako partner Amazon zarabiamy na kwalifikujących się zakupach. Linki do chmurowych GPU są linkami polecającymi — możemy otrzymać prowizję bez dodatkowych kosztów dla Ciebie.
Jak uruchomić Llama 3.3 70B Instruct
Zainstaluj Ollama, a potem uruchom:
ollama run llama3.3Specyfikacja
Curated — A hand-written entry from before this catalogue recorded its sources. The figures are long-standing but their provenance is not on file.
- Parametry
- 70 Billion
- Okno kontekstu
- 128,000
- Architektura
- Dense
- Dostawca
- Meta
- Licencja
- Llama Community
- Practical deployment
- Workstation (large unified memory or pro GPU)
- Określono przy
- Q2_K_XS (Tight)
- RAM systemowy
- 64 GB
- Rekord zaktualizowany
- 2024-12-08
Weights are downloadable and commercial use is permitted, subject to the licence’s acceptable-use terms.
Jakość i zastosowania
Wyniki opublikowane przez autorów modelu lub niezależnego oceniającego — jakość, nie przepustowość, i nie mierzone przez nas.
Czy uruchomię Llama 3.3 70B Instruct na moim GPU?
- Llama 3.3 na AMD Radeon RX 7800 XT
- Llama 3.3 na AMD Radeon RX 7900 XT
- Llama 3.3 na AMD Radeon RX 7900 XTX
- Llama 3.3 na AMD Radeon RX 9060 XT 16GB
- Llama 3.3 na AMD Radeon RX 9070
- Llama 3.3 na AMD Radeon RX 9070 XT
- Llama 3.3 na Apple M1
- Llama 3.3 na Apple M1 Pro
- Llama 3.3 na Apple M2
- Llama 3.3 na Apple M2 Pro
- Llama 3.3 na Apple M3
- Llama 3.3 na Apple M3 Pro
- Llama 3.3 na Apple M4
- Llama 3.3 na Apple M4 Pro
- Llama 3.3 na Apple M5
- Llama 3.3 na Intel Arc B570
- Llama 3.3 na Intel Arc B580
- Llama 3.3 na NVIDIA GeForce RTX 3060 (12GB)
- Llama 3.3 na NVIDIA GeForce RTX 3080 (10GB)
- Llama 3.3 na NVIDIA GeForce RTX 3090
- Llama 3.3 na NVIDIA GeForce RTX 4060 Ti 16GB
- Llama 3.3 na NVIDIA GeForce RTX 4070
- Llama 3.3 na NVIDIA GeForce RTX 4070 Super
- Llama 3.3 na NVIDIA GeForce RTX 4070 Ti
- Llama 3.3 na NVIDIA GeForce RTX 4070 Ti Super
- Llama 3.3 na NVIDIA GeForce RTX 4080
- Llama 3.3 na NVIDIA GeForce RTX 4080 Super
- Llama 3.3 na NVIDIA GeForce RTX 4090
- Llama 3.3 na NVIDIA GeForce RTX 5060 Ti 16GB
- Llama 3.3 na NVIDIA GeForce RTX 5070
- Llama 3.3 na NVIDIA GeForce RTX 5070 Ti
- Llama 3.3 na NVIDIA GeForce RTX 5080
- Llama 3.3 na NVIDIA GeForce RTX 5090
- Llama 3.3 na NVIDIA L40S
- Llama 3.3 na NVIDIA RTX 6000 Ada Generation
Llama 3.3 70B Instruct — najczęściej zadawane pytania
How much VRAM does Llama 3.3 70B Instruct need?
About 43 GB at Q2_K_XS (Tight) — quantized weights plus framework overhead, before any KV cache. The cache grows with context length and is added on top; the table above folds it in. Apple Silicon counts unified memory toward the same figure.
Does Llama 3.3 70B Instruct run on an RTX 4090 (24 GB)?
No. Llama 3.3 70B Instruct needs about 43 GB at Q2_K_XS (Tight), more than a single RTX 4090's 24 GB. It needs a larger card, several GPUs, or Apple Silicon with enough unified memory — or it runs with part of the weights offloaded to system RAM, which is much slower.
How do I run Llama 3.3 70B Instruct locally?
Install Ollama and run `ollama run llama3.3`. That pulls the weights and starts a local OpenAI-compatible endpoint; after the download nothing leaves the machine.