Llama 4 Scout (109B / 17B-16E MoE) — Requisiti VRAM, matrice di quantizzazione e guida GPU
Llama 4 Scout (109B / 17B-16E MoE) (Meta Llama, Llama 4 Community) adotta un’architettura Miscela di esperti (MoE) con 109B parametri residenti (17.2B attivi per token), 48 livelli e Finestra scorrevole ibrida (SWA) con supporto fino a 10,485,760 token di contesto.
Simulatore interattivo di memoria e contesto per Llama 4 Scout (109B / 17B-16E MoE)
Matrice VRAM per precisione e quantizzazione (contesto 8K / 32K / 128K)
| Precisione / Formato | bpw effettivi | Solo pesi | Totale @ ctx 8K | Totale @ ctx 32K | Totale @ ctx 128K | Fascia consigliata (@ 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 |
Compatibilità hardware e velocità di decodifica (Llama 4 Scout (109B / 17B-16E MoE) @ Q4_K_M, contesto 32K)
| Fascia hardware | Memoria e banda | Richiesta (32K) | Compatibilità | Velocità decod. stimata |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 67.22 GB (280%) | Memoria esaurita (OOM) | — |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 67.22 GB (280%) | Memoria esaurita (OOM) | — |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 67.22 GB (210%) | Memoria esaurita (OOM) | — |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 65.95 GB (103%) | Memoria esaurita (OOM) | — |
| Mac Studio 128GB | 128 GB · 546 GB/s | 65.95 GB (52%) | Entra comodamente | 24.3 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 65.95 GB (34%) | Entra comodamente | 35.6 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 67.22 GB (84%) | Al limite (>90% usabile) | 102.0 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 67.22 GB (84%) | Al limite (>90% usabile) | 167.5 tok/s |
Parametri verificati dell’architettura Transformer
- Checkpoint ID
- meta-llama/Llama-4-Scout-17B-16E-Instruct
- Ollama Tag
- llama4:scout
- License / Release
- Llama 4 Community · 2025-Q2
- Topologia e attenzione
- Miscela di esperti (MoE)
- Meccanismo di attenzione
- Finestra scorrevole ibrida (SWA)
- Parametri totali (B)
- 109B
- Parametri attivi / token (B)
- 17.2B
- Livelli nascosti / Dimensione nascosta
- 48 / 5120
- Teste di query / Teste 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
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 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 serveConfronta modelli affini e di scala simile a pesi aperti
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)