Llama 4 Scout (109B / 17B-16E MoE) — 必要VRAM・量子化マトリクス & 推奨GPUガイド
Llama 4 Scout (109B / 17B-16E MoE)（Meta Llama、Llama 4 Community）は常駐パラメータ 109B（トークンあたり有効 17.2B）、48 層、最大 10,485,760 コンテキストトークンに対応する ハイブリッド・スライディングウィンドウ (SWA) 採用の Mixture-of-Experts (MoE) アーキテクチャです。
Llama 4 Scout (109B / 17B-16E MoE) 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 | 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 |
ハードウェア互換性 & デコード速度（Llama 4 Scout (109B / 17B-16E MoE) @ 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 | 67.22 GB (280%) | メモリ不足 (OOM) | — |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 67.22 GB (280%) | メモリ不足 (OOM) | — |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 67.22 GB (210%) | メモリ不足 (OOM) | — |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 65.95 GB (103%) | メモリ不足 (OOM) | — |
| Mac Studio 128GB | 128 GB · 546 GB/s | 65.95 GB (52%) | 余裕で収容可能 | 24.3 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 65.95 GB (34%) | 余裕で収容可能 | 35.6 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 67.22 GB (84%) | ギリギリ収容 (>90%使用) | 102.0 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 67.22 GB (84%) | ギリギリ収容 (>90%使用) | 167.5 tok/s |
検証済み Transformer アーキテクチャ仕様
- Checkpoint ID
- meta-llama/Llama-4-Scout-17B-16E-Instruct
- Ollama Tag
- llama4:scout
- License / Release
- Llama 4 Community · 2025-Q2
- 構造 & アテンション
- Mixture-of-Experts (MoE)
- アテンション機構
- ハイブリッド・スライディングウィンドウ (SWA)
- 総パラメータ数 (B)
- 109B
- 有効パラメータ / Token (B)
- 17.2B
- 隠れ層数 (Layers) / 隠れ層次元 (Hidden Size)
- 48 / 5120
- クエリヘッド数 / KVヘッド数
- 40Q / 8KV (d=128)
- Sliding Window
- 8192 (75% local)
- MoE Routed Experts
- 1 active / 16 total
- Vocab / Max Position
- 202,048 / 10,485,760
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 4 Scout (109B / 17B-16E MoE) 用 vLLM & Ollama クイック起動コマンド
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 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 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)