Llama 3.1 8B Instruct — 必要VRAM・量子化マトリクス & 推奨GPUガイド
Llama 3.1 8B Instruct（Meta Llama、Llama 3.1 Community）は常駐パラメータ 8.03B（トークンあたり有効 8.03B）、32 層、最大 131,072 コンテキストトークンに対応する グループ化クエリアテンション (GQA) 採用の Dense Transformer（密モデル） アーキテクチャです。
Llama 3.1 8B Instruct インタラクティブ・メモリ & コンテキストシミュレーター
精度・量子化別 VRAMマトリクス（8K / 32K / 128K コンテキスト）
| 精度 / 形式 | 実効 bpw | 重みのみ | 合計 @ 8K ctx | 合計 @ 32K ctx | 合計 @ 128K ctx | 推奨構成 (@ 32K) |
|---|---|---|---|---|---|---|
| FP16 / BF16 | 16.00 bpw | 14.96 GB | 17.55 GB | 20.55 GB | 32.55 GB | RTX 3090 24GB |
| FP8 | 8.50 bpw | 7.95 GB | 10.32 GB | 13.32 GB | 25.32 GB | RTX 4060 Ti 16GB |
| Q8_0 | 8.50 bpw | 7.95 GB | 10.32 GB | 13.32 GB | 25.32 GB | RTX 4060 Ti 16GB |
| Q6_K | 6.56 bpw | 6.13 GB | 8.46 GB | 11.46 GB | 23.46 GB | RTX 3060 12GB |
| Q5_K_M | 5.69 bpw | 5.32 GB | 7.62 GB | 10.62 GB | 22.62 GB | RTX 3060 12GB |
| Q4_K_M | 4.85 bpw | 4.53 GB | 6.81 GB | 9.81 GB | 21.81 GB | RTX 3060 12GB |
| AWQ INT4 | 4.50 bpw | 4.21 GB | 6.47 GB | 9.47 GB | 21.47 GB | RTX 3060 12GB |
| IQ4_XS | 4.25 bpw | 3.97 GB | 6.23 GB | 9.23 GB | 21.23 GB | RTX 3060 12GB |
ハードウェア互換性 & デコード速度（Llama 3.1 8B Instruct @ Q4_K_M, 32K コンテキスト）
| ハードウェア構成 | メモリ & 帯域幅 | 必要量 (32K) | 収容判定 | 推定デコード速度 |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 9.81 GB (41%) | 余裕で収容可能 | 63.9 tok/s |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 9.81 GB (41%) | 余裕で収容可能 | 68.8 tok/s |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 9.81 GB (31%) | 余裕で収容可能 | 122.3 tok/s |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 9.40 GB (15%) | 余裕で収容可能 | 35.1 tok/s |
| Mac Studio 128GB | 128 GB · 546 GB/s | 9.40 GB (7%) | 余裕で収容可能 | 35.1 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 9.40 GB (5%) | 余裕で収容可能 | 51.4 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 9.81 GB (12%) | 余裕で収容可能 | 147.4 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 9.81 GB (12%) | 余裕で収容可能 | 242.2 tok/s |
検証済み Transformer アーキテクチャ仕様
- Checkpoint ID
- meta-llama/Llama-3.1-8B-Instruct
- Ollama Tag
- llama3.1:8b
- License / Release
- Llama 3.1 Community · 2024-Q3
- 構造 & アテンション
- Dense Transformer（密モデル）
- アテンション機構
- グループ化クエリアテンション (GQA)
- 総パラメータ数 (B)
- 8.03B
- 有効パラメータ / Token (B)
- 8.03B
- 隠れ層数 (Layers) / 隠れ層次元 (Hidden Size)
- 32 / 4096
- クエリヘッド数 / KVヘッド数
- 32Q / 8KV (d=128)
- Vocab / Max Position
- 128,256 / 131,072
量子化フォーマットはパックされた整数重みに加えてブロック単位のスケール係数とゼロポイントを保持します。4bit GGUF の Q4_K_M はパラメータあたり平均 4.85 実効ビット（4.00ではない）、Q8_0 は平均 8.50 bpw を消費します。Mixture-of-Experts モデルではトークンごとのホストページングを防ぐため、ルーティング対象および共有エキスパートのすべてがメモリ上に常駐します。
標準的な Grouped-Query Attention は全層で 2 × L × H_kv × d_head × S × B × bytes_kv を確保します。DeepSeek Multi-head Latent Attention (MLA) はKeyとValueを L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv へ圧縮し、長文脈メモリを90%以上削減します。ハイブリッド・スライディングウィンドウはローカル層の消費を min(S, window_size) に抑えつつグローバル層のみ S に比例して拡張します。
Llama 3.1 8B Instruct 用 vLLM & Ollama クイック起動コマンド
vllm serve meta-llama/Llama-3.1-8B-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-3-1-8b-custom -f Modelfile
FROM llama3.1:8b
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同系列・同規模のオープンウェイトモデルを比較
Llama 3.3 70B Instruct
Meta Llama · 70.6B (GQA)
Llama 4 Scout (109B / 17B-16E MoE)
Meta Llama · 109B (HYBRID_SWA)
Llama 4 Maverick (400B / 17B-128E MoE)
Meta Llama · 402B (GQA)
Llama 3.1 405B Instruct
Meta Llama · 405B (GQA)
Qwen3-8B
Qwen · 8.2B (GQA)
GLM-4-9B-0414
Zhipu GLM · 9.4B (GQA)