VRAMLab

Llama 3.1 405B Instruct — Requisiti VRAM, matrice di quantizzazione e guida GPU

Llama 3.1 405B Instruct (Meta Llama, Llama 3.1 Community) adotta un’architettura Transformer denso con 405B parametri residenti (405B attivi per token), 126 livelli e Attenzione a query raggruppate (GQA) con supporto fino a 131,072 token di contesto.

Apri nel calcolatore VRAM → Genera config vLLM / Ollama → Confronta GPU self-hosted vs API → Confronta le tariffe token API live su DevToken →

Simulatore interattivo di memoria e contesto per Llama 3.1 405B Instruct

32,768 token

Ripartizione memoria e limite di banda passante

Entra comodamente
Pesi del modello: 91.7% KV: 6.3% Overhead: 2%
Memoria totale richiesta
249.40 GB
Allocazione per dispositivo: 249.40 GB
Pesi del modello
228.67 GB
KV Cache (FP16): 15.75 GB
Decodifica stimata (singolo flusso)
1.8 tok/s
Overhead runtime e TP: 4.98 GB
Contesto max prima di OOM
446,229
token

La compressione KV architetturale risparmia il 93.8% rispetto a MHA FP16 standard (252.00 GB).

macOS limita di default la memoria GPU wired a circa 384.0 GB (75%); aumentando iogpu.wired_limit_mb si sbloccano fino a 450.6 GB (88%).

sudo sysctl iogpu.wired_limit_mb=461373

Matrice VRAM per precisione e quantizzazione (contesto 8K / 32K / 128K)

Memoria GPU totale richiesta in base alla precisione dei pesi e alla lunghezza del contesto (batch = 1, KV cache FP16)
Precisione / Formato bpw effettivi Solo pesi Totale @ ctx 8K Totale @ ctx 32K Totale @ ctx 128K Fascia consigliata (@ 32K)
FP16 / BF16 16.00 bpw 754.37 GB 771.17 GB 782.99 GB 830.24 GB 8× NVIDIA H100 80GB
FP8 8.50 bpw 400.76 GB 412.26 GB 424.07 GB 471.32 GB 8× NVIDIA H100 80GB
Q8_0 8.50 bpw 400.76 GB 412.26 GB 424.07 GB 471.32 GB 8× NVIDIA H100 80GB
Q6_K 6.56 bpw 309.29 GB 319.42 GB 331.23 GB 378.48 GB Mac Studio 512GB
Q5_K_M 5.69 bpw 268.27 GB 277.78 GB 289.60 GB 336.85 GB Mac Studio 512GB
Q4_K_M 4.85 bpw 228.67 GB 237.59 GB 249.40 GB 296.65 GB Mac Studio 512GB
AWQ INT4 4.50 bpw 212.17 GB 220.84 GB 232.65 GB 279.90 GB Mac Studio 512GB
IQ4_XS 4.25 bpw 200.38 GB 208.87 GB 220.69 GB 267.94 GB Mac Studio 512GB

Compatibilità hardware e velocità di decodifica (Llama 3.1 405B Instruct @ Q4_K_M, contesto 32K)

Esito di compatibilità, utilizzo memoria e throughput di decodifica stimato sulle principali GPU e Apple Silicon
Fascia hardware Memoria e banda Richiesta (32K) Compatibilità Velocità decod. stimata
RTX 3090 24GB 24 GB · 936 GB/s 253.17 GB (1055%) Memoria esaurita (OOM) —
RTX 4090 24GB 24 GB · 1008 GB/s 253.17 GB (1055%) Memoria esaurita (OOM) —
RTX 5090 32GB 32 GB · 1792 GB/s 253.17 GB (791%) Memoria esaurita (OOM) —
Apple M-Max 64GB 64 GB · 546 GB/s 249.40 GB (390%) Memoria esaurita (OOM) —
Mac Studio 128GB 128 GB · 546 GB/s 249.40 GB (195%) Memoria esaurita (OOM) —
Mac Studio 192GB 192 GB · 800 GB/s 249.40 GB (130%) Memoria esaurita (OOM) —
NVIDIA A100 80GB 80 GB · 2039 GB/s 253.17 GB (317%) Memoria esaurita (OOM) —
NVIDIA H100 80GB 80 GB · 3350 GB/s 253.17 GB (317%) Memoria esaurita (OOM) —

Parametri verificati dell’architettura Transformer

Checkpoint ID
meta-llama/Llama-3.1-405B-Instruct
Ollama Tag
llama3.1:405b
License / Release
Llama 3.1 Community · 2024-Q3
Topologia e attenzione
Transformer denso
Meccanismo di attenzione
Attenzione a query raggruppate (GQA)
Parametri totali (B)
405B
Parametri attivi / token (B)
405B
Livelli nascosti / Dimensione nascosta
126 / 16384
Teste di query / Teste KV
128Q / 8KV (d=128)
Vocab / Max Position
128,256 / 131,072

I formati quantizzati memorizzano fattori di scala per blocco e zero-point accanto ai pesi interi compatti. Un checkpoint GGUF Q4_K_M a 4 bit richiede in media 4.85 bit effettivi per parametro (non 4.00), mentre Q8_0 si attesta a 8.50 bpw. Nei modelli Mixture-of-Experts, tutti gli esperti instradati e condivisi restano residenti in memoria per evitare il paging dall’host a ogni token.

La Grouped-Query Attention standard alloca 2 × L × H_kv × d_head × S × B × bytes_kv lungo i livelli. La Multi-head Latent Attention di DeepSeek (MLA) comprime chiavi e valori in L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, riducendo di oltre il 90% la memoria sui contesti lunghi. I modelli ibridi a finestra scorrevole limitano i livelli di attenzione locale a min(S, window_size) facendo scalare linearmente con S quelli globali.

Comandi rapidi vLLM e Ollama per Llama 3.1 405B Instruct

CLI vLLM (Mac Studio 512GB) 
vllm serve meta-llama/Llama-3.1-405B-Instruct \
  --tensor-parallel-size 1 \
  --max-model-len 32768 \
  --max-num-seqs 8 \
  --gpu-memory-utilization 0.80 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --port 8000
Modelfile Ollama 
# Optional macOS unified-memory ceiling override before launching:
# sudo sysctl iogpu.wired_limit_mb=461373

# Save as Modelfile, then run: ollama create llama-3-1-405b-custom -f Modelfile
FROM llama3.1:405b
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

Confronta modelli affini e di scala simile a pesi aperti

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

Meta Llama · 402B (GQA)

237.2 GB @ Q4_K_M · Mac Studio 512GB

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

Meta Llama · 109B (HYBRID_SWA)

67.2 GB @ Q4_K_M · NVIDIA A100 80GB

Llama 3.3 70B Instruct

Meta Llama · 70.6B (GQA)

52.5 GB @ Q4_K_M · NVIDIA A100 80GB

Llama 3.1 8B Instruct

Meta Llama · 8.03B (GQA)

9.8 GB @ Q4_K_M · RTX 3060 12GB

Qwen3-235B-A22B (MoE)

Qwen · 235B (GQA)

141.3 GB @ Q4_K_M · Mac Studio 192GB

DeepSeek-R1 (671B MoE)

DeepSeek · 671B (MLA)

416.1 GB @ Q4_K_M · 8× NVIDIA H100 80GB