Llama 3.1 405B Instruct — Requisitos de VRAM, Matriz de Quantização e Guia de GPU
Llama 3.1 405B Instruct (Meta Llama, Llama 3.1 Community) é uma arquitetura Transformer Denso com 405B parâmetros residentes (405B ativos por token), 126 camadas e Atenção de Consulta Agrupada (GQA) suportando até 131,072 tokens de contexto.
Simulador Interativo de Memória e Contexto para Llama 3.1 405B Instruct
Matriz de VRAM por Precisão e Quantização (Contexto 8K / 32K / 128K)
| Precisão / Formato | bpw Efetivo | Apenas Pesos | Total @ 8K ctx | Total @ 32K ctx | Total @ 128K ctx | Nível Recomendado (@ 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 |
Compatibilidade de Hardware e Velocidade de Decodificação (Llama 3.1 405B Instruct @ Q4_K_M, 32K)
| Nível de Hardware | Memória e Banda | Exigido (32K) | Veredito de Ajuste | Velocidade Est. |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 253.17 GB (1055%) | Memória Insuficiente (OOM) | — |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 253.17 GB (1055%) | Memória Insuficiente (OOM) | — |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 253.17 GB (791%) | Memória Insuficiente (OOM) | — |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 249.40 GB (390%) | Memória Insuficiente (OOM) | — |
| Mac Studio 128GB | 128 GB · 546 GB/s | 249.40 GB (195%) | Memória Insuficiente (OOM) | — |
| Mac Studio 192GB | 192 GB · 800 GB/s | 249.40 GB (130%) | Memória Insuficiente (OOM) | — |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 253.17 GB (317%) | Memória Insuficiente (OOM) | — |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 253.17 GB (317%) | Memória Insuficiente (OOM) | — |
Parâmetros Verificados da Arquitetura 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 Atenção
- Transformer Denso
- Mecanismo de Atenção
- Atenção de Consulta Agrupada (GQA)
- Parâmetros Totais (B)
- 405B
- Parâmetros Ativos / Token (B)
- 405B
- Camadas Ocultas / Dimensão Oculta
- 126 / 16384
- Cabeças de Consulta / Cabeças KV
- 128Q / 8KV (d=128)
- Vocab / Max Position
- 128,256 / 131,072
Formatos quantizados armazenam fatores de escala e pontos zero por bloco junto aos pesos inteiros compactados. Um checkpoint GGUF Q4_K_M de 4 bits tem média de 4,85 bits efetivos por parâmetro (e não 4,00), enquanto Q8_0 tem média de 8,50 bpw. Em modelos Mixture-of-Experts, todos os especialistas roteados e compartilhados permanecem residentes na memória para evitar paginação a cada token.
O Grouped-Query Attention padrão aloca 2 × L × H_kv × d_head × S × B × bytes_kv entre as camadas. O DeepSeek Multi-head Latent Attention (MLA) comprime chaves e valores em L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, cortando a memória de contexto longo em mais de 90%. Modelos híbridos de janela deslizante limitam camadas de atenção local a min(S, window_size) enquanto escalam camadas globais linearmente com S.
Comandos Rápidos de vLLM e Ollama para Llama 3.1 405B Instruct
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# 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 serveComparar Modelos Irmãos e de Escala Semelhante
Llama 4 Maverick (400B / 17B-128E MoE)
Meta Llama · 402B (GQA)
Llama 4 Scout (109B / 17B-16E MoE)
Meta Llama · 109B (HYBRID_SWA)
Llama 3.3 70B Instruct
Meta Llama · 70.6B (GQA)
Llama 3.1 8B Instruct
Meta Llama · 8.03B (GQA)
Qwen3-235B-A22B (MoE)
Qwen · 235B (GQA)
DeepSeek-R1 (671B MoE)
DeepSeek · 671B (MLA)