Llama 4 Scout (109B / 17B-16E MoE) — Requisitos de VRAM, matriz de cuantización y guía de GPU
Llama 4 Scout (109B / 17B-16E MoE) (Meta Llama, Llama 4 Community) es una arquitectura Mezcla de expertos (MoE) con 109B parámetros residentes (17.2B activos por token), 48 capas y Ventana deslizante híbrida (SWA) compatible con hasta 10,485,760 tokens de contexto.
Simulador interactivo de memoria y contexto para Llama 4 Scout (109B / 17B-16E MoE)
Matriz de VRAM por precisión y cuantización (contexto 8K / 32K / 128K)
| Precisión / Formato | bpw efectivos | Solo pesos | Total @ ctx 8K | Total @ ctx 32K | Total @ ctx 128K | Nivel recomendado (@ 32K) |
|---|---|---|---|---|---|---|
| FP16 / BF16 | 16.00 bpw | 203.03 GB | 211.82 GB | 212.95 GB | 217.45 GB | Mac Studio 512GB |
| FP8 | 8.50 bpw | 107.86 GB | 113.80 GB | 114.92 GB | 119.42 GB | NVIDIA H200 141GB |
| Q8_0 | 8.50 bpw | 107.86 GB | 113.80 GB | 114.92 GB | 119.42 GB | NVIDIA H200 141GB |
| Q6_K | 6.56 bpw | 83.24 GB | 88.44 GB | 89.57 GB | 94.07 GB | RTX PRO 6000 96GB |
| Q5_K_M | 5.69 bpw | 72.20 GB | 77.07 GB | 78.20 GB | 82.70 GB | RTX PRO 6000 96GB |
| Q4_K_M | 4.85 bpw | 61.54 GB | 66.09 GB | 67.22 GB | 71.72 GB | NVIDIA A100 80GB |
| AWQ INT4 | 4.50 bpw | 57.10 GB | 61.52 GB | 62.64 GB | 67.14 GB | NVIDIA A100 80GB |
| IQ4_XS | 4.25 bpw | 53.93 GB | 58.25 GB | 59.37 GB | 63.87 GB | NVIDIA A100 80GB |
Compatibilidad de hardware y velocidad de decodificación (Llama 4 Scout (109B / 17B-16E MoE) @ Q4_K_M, contexto 32K)
| Nivel de hardware | Memoria y ancho de banda | Requerido (32K) | Veredicto de ajuste | Velocidad est. decodificación |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 67.22 GB (280%) | Memoria insuficiente (OOM) | — |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 67.22 GB (280%) | Memoria insuficiente (OOM) | — |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 67.22 GB (210%) | Memoria insuficiente (OOM) | — |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 65.95 GB (103%) | Memoria insuficiente (OOM) | — |
| Mac Studio 128GB | 128 GB · 546 GB/s | 65.95 GB (52%) | Cabe con holgura | 24.3 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 65.95 GB (34%) | Cabe con holgura | 35.6 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 67.22 GB (84%) | Ajustado (>90 % útil) | 102.0 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 67.22 GB (84%) | Ajustado (>90 % útil) | 167.5 tok/s |
Parámetros verificados de la arquitectura Transformer
- Checkpoint ID
- meta-llama/Llama-4-Scout-17B-16E-Instruct
- Ollama Tag
- llama4:scout
- License / Release
- Llama 4 Community · 2025-Q2
- Topología y atención
- Mezcla de expertos (MoE)
- Mecanismo de atención
- Ventana deslizante híbrida (SWA)
- Parámetros totales (B)
- 109B
- Parámetros activos / token (B)
- 17.2B
- Capas ocultas / Tamaño oculto
- 48 / 5120
- Cabezas de consulta / Cabezas KV
- 40Q / 8KV (d=128)
- Sliding Window
- 8192 (75% local)
- MoE Routed Experts
- 1 active / 16 total
- Vocab / Max Position
- 202,048 / 10,485,760
Los formatos cuantizados almacenan factores de escala por bloque y puntos cero junto con pesos enteros empaquetados. Un checkpoint GGUF Q4_K_M de 4 bits promedia 4.85 bits efectivos por parámetro (no 4.00), mientras que Q8_0 promedia 8.50 bpw. En los modelos Mixture-of-Experts, todos los expertos enrutados y compartidos permanecen residentes en memoria para evitar paginación desde el host token a token.
La atención de consulta agrupada estándar asigna 2 × L × H_kv × d_head × S × B × bytes_kv entre capas. La atención latente multicabeza de DeepSeek (MLA) comprime claves y valores en L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, reduciendo en más de un 90 % la memoria en contextos largos. Los modelos híbridos de ventana deslizante limitan las capas de atención local a min(S, window_size) mientras escalan linealmente las capas globales con S.
Comandos rápidos de vLLM y Ollama para Llama 4 Scout (109B / 17B-16E MoE)
vllm serve meta-llama/Llama-4-Scout-17B-16E-Instruct \
--tensor-parallel-size 1 \
--max-model-len 32768 \
--max-num-seqs 8 \
--gpu-memory-utilization 0.95 \
--kv-cache-dtype fp8 \
--enable-prefix-caching \
--port 8000# Save as Modelfile, then run: ollama create llama-4-scout-custom -f Modelfile
FROM llama4:scout
PARAMETER num_ctx 32768
PARAMETER num_batch 512
PARAMETER flash_attn true
# Environment variables for ollama serve:
# OLLAMA_NUM_PARALLEL=8 OLLAMA_FLASH_ATTENTION=1 OLLAMA_KV_CACHE_TYPE=q8_0 ollama serveComparar modelos hermanos y de escala similar de pesos abiertos
Llama 3.3 70B Instruct
Meta Llama · 70.6B (GQA)
Llama 3.1 8B Instruct
Meta Llama · 8.03B (GQA)
Llama 4 Maverick (400B / 17B-128E MoE)
Meta Llama · 402B (GQA)
Llama 3.1 405B Instruct
Meta Llama · 405B (GQA)
Cohere Command A (111B)
Cohere · 111B (HYBRID_SWA)
Mistral Large 2411 (123B)
Mistral · 123B (GQA)