VRAMLab

Llama 3.3 70B Instruct — Besoins VRAM, matrice de quantification et guide GPU

Llama 3.3 70B Instruct (Meta Llama, Llama 3.3 Community) repose sur une architecture Transformer dense comptant 70.6B paramètres résidents (70.6B actifs par token), 80 couches et Attention à requêtes groupées (GQA) prenant en charge jusqu’à 131,072 tokens de contexte.

Charger dans le calculateur VRAM → Générer une config vLLM / Ollama → Comparer GPU auto-hébergé vs API → Comparer les tarifs API en direct sur DevToken →

Simulateur interactif de mémoire et de contexte pour Llama 3.3 70B Instruct

32,768 tokens

Répartition mémoire et plafond de bande passante

Tient confortablement
Poids du modèle: 76% KV: 19.1% Overhead: 4.9%
Mémoire totale requise
52.45 Go
Allocation par périphérique: 52.45 Go
Poids du modèle
39.86 Go
Cache KV (FP16): 10.00 Go
Décodage estimé (1 flux)
25.2 tok/s
Surcharge runtime et TP: 2.59 Go
Contexte max avant OOM
114,335
tokens

La compression KV architecturale économise 87.5 % par rapport au MHA FP16 naïf (80.00 Go).

Matrice VRAM par précision et quantification (contexte 8K / 32K / 128K)

Mémoire GPU totale requise selon la précision des poids et la longueur du contexte (batch = 1, cache KV FP16)
Précision / Format bpw effectifs Poids seuls Total @ ctx 8K Total @ ctx 32K Total @ ctx 128K Palier recommandé (@ 32K)
FP16 / BF16 16.00 bpw 131.50 Go 139.34 Go 146.84 Go 176.84 Go Mac Studio 512GB
FP8 8.50 bpw 69.86 Go 75.85 Go 83.35 Go 113.35 Go RTX PRO 6000 96GB
Q8_0 8.50 bpw 69.86 Go 75.85 Go 83.35 Go 113.35 Go RTX PRO 6000 96GB
Q6_K 6.56 bpw 53.92 Go 59.42 Go 66.92 Go 96.92 Go NVIDIA A100 80GB
Q5_K_M 5.69 bpw 46.77 Go 52.06 Go 59.56 Go 89.56 Go NVIDIA A100 80GB
Q4_K_M 4.85 bpw 39.86 Go 44.95 Go 52.45 Go 82.45 Go NVIDIA A100 80GB
AWQ INT4 4.50 bpw 36.99 Go 41.98 Go 49.48 Go 79.48 Go NVIDIA A100 80GB
IQ4_XS 4.25 bpw 34.93 Go 39.87 Go 47.37 Go 77.37 Go Apple M-Max 64GB

Compatibilité matérielle et vitesse de décodage (Llama 3.3 70B Instruct @ Q4_K_M, contexte 32K)

Statut de compatibilité, utilisation mémoire et débit de décodage estimé sur les GPU phares et Apple Silicon
Palier matériel Mémoire et bande passante Requis (32K) Compatibilité Débit décodage est.
RTX 3090 24GB 24 Go · 936 GB/s 52.45 Go (219%) Mémoire insuffisante (OOM) —
RTX 4090 24GB 24 Go · 1008 GB/s 52.45 Go (219%) Mémoire insuffisante (OOM) —
RTX 5090 32GB 32 Go · 1792 GB/s 52.45 Go (164%) Mémoire insuffisante (OOM) —
Apple M-Max 64GB 64 Go · 546 GB/s 51.51 Go (81%) Nécessite sysctl wired_limit 6.0 tok/s
Mac Studio 128GB 128 Go · 546 GB/s 51.51 Go (40%) Tient confortablement 6.0 tok/s
Mac Studio 192GB 192 Go · 800 GB/s 51.51 Go (27%) Tient confortablement 8.8 tok/s
NVIDIA A100 80GB 80 Go · 2039 GB/s 52.45 Go (66%) Tient confortablement 25.2 tok/s
NVIDIA H100 80GB 80 Go · 3350 GB/s 52.45 Go (66%) Tient confortablement 41.4 tok/s

Paramètres vérifiés de l’architecture Transformer

Checkpoint ID
meta-llama/Llama-3.3-70B-Instruct
Ollama Tag
llama3.3:70b
License / Release
Llama 3.3 Community · 2024-Q4
Topologie et attention
Transformer dense
Mécanisme d’attention
Attention à requêtes groupées (GQA)
Paramètres totaux (B)
70.6B
Paramètres actifs / token (B)
70.6B
Couches cachées / Dimension cachée
80 / 8192
Têtes de requête / Têtes KV
64Q / 8KV (d=128)
Vocab / Max Position
128,256 / 131,072

Les formats quantifiés stockent des facteurs d’échelle et des points zéro par bloc aux côtés des poids entiers compressés. Un checkpoint GGUF Q4_K_M 4 bits occupe en moyenne 4.85 bits effectifs par paramètre (et non 4.00), tandis que Q8_0 atteint 8.50 bpw. Pour les architectures Mixture-of-Experts, l’ensemble des experts routés et partagés reste résident en mémoire afin d’éviter la pagination hôte à chaque token.

L’attention à requêtes groupées standard alloue 2 × L × H_kv × d_head × S × B × bytes_kv sur l’ensemble des couches. L’attention latente multi-têtes de DeepSeek (MLA) compresse clés et valeurs en L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, réduisant de plus de 90 % l’empreinte mémoire sur long contexte. Les modèles hybrides à fenêtre glissante plafonnent les couches locales à min(S, window_size) tout en faisant croître linéairement les couches globales avec S.

Commandes rapides vLLM et Ollama pour Llama 3.3 70B Instruct

CLI vLLM (NVIDIA A100 80GB) 
vllm serve meta-llama/Llama-3.3-70B-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
Modelfile Ollama 
# Save as Modelfile, then run: ollama create llama-3-3-70b-custom -f Modelfile
FROM llama3.3:70b
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 serve

Comparer les modèles proches et de taille similaire à poids ouverts

Llama 4 Scout (109B / 17B-16E MoE)

Meta Llama · 109B (HYBRID_SWA)

67.2 Go @ Q4_K_M · NVIDIA A100 80GB

Llama 3.1 8B Instruct

Meta Llama · 8.03B (GQA)

9.8 Go @ Q4_K_M · RTX 3060 12GB

Llama 4 Maverick (400B / 17B-128E MoE)

Meta Llama · 402B (GQA)

237.2 Go @ Q4_K_M · Mac Studio 512GB

Llama 3.1 405B Instruct

Meta Llama · 405B (GQA)

249.4 Go @ Q4_K_M · Mac Studio 512GB

DeepSeek-R1-Distill-Llama-70B

DeepSeek · 70.6B (GQA)

52.5 Go @ Q4_K_M · NVIDIA A100 80GB

Qwen2.5-72B-Instruct

Qwen · 72.7B (GQA)

53.7 Go @ Q4_K_M · NVIDIA A100 80GB