LLM Llama

CodeLlama 34B

34B параметров · Transformer · Контекст 100k · Meta · 2023

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 68 ГБ Максимальное Для продакшена
FP8 34 ГБ Отличное Оптимально
INT8 34 ГБ Хорошее
INT4/Q4 17 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA H100 SXM
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA A100
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA RTX 4090
24 ГБ FP16, FP8, INT8, INT4 Арендовать

Рекомендуемые фреймворки

vLLM Ollama llama.cpp

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model CodeLlama-34b-Instruct-hf \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Meta
Год выпуска
2023
Параметры
34B
Архитектура
Transformer
Контекстное окно
100,000 токенов
Лицензия
Llama

Применение

Code generation Code completion Debugging Code explanation

CodeLlama 34B Instruct — кодовая специализация Meta на базе Llama 2: хорошо понимает десятки языков программирования, умеет fill-in-the-middle и типичные IDE-сценарии (дополнение, объяснение, отладка). Даже в 2026 году остаётся рабочим выбором, если нужна проверенная модель под легаси-стек или совместимость с существующими пайплайнами.

Контекст до 100k токенов; fp16 ~68 ГБ и fp8 ~34 ГБ — комфортнее на H100/A100 80 ГБ, на RTX 4090 (24 ГБ) реалистичны int4/Q4 веса (~17 ГБ) при компромиссах по качеству.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для CodeLlama 34B в fp8 рекомендуем H100 или A100 80 ГБ; на RTX 4090 планируйте квантованную сборку. Перейдите в каталог GPU и арендуйте инстанс с Docker-образом.

Шаг 2 — Запустите vLLM

docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model meta-llama/CodeLlama-34b-Instruct-hf \
  --dtype auto \
  --max-model-len 32768

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "meta-llama/CodeLlama-34b-Instruct-hf",
    "messages": [{"role": "user", "content": "Напиши функцию на Python для сортировки списка"}]
  }'

Альтернативно, используйте Ollama для быстрого старта:

ollama run codellama:34b

Оптимизация

  • Для FIM/инфилла используйте специализированные шаблоны промпта (prefix/middle/suffix), а не обычный чат.
  • На 24 ГБ VRAM снижайте --max-model-len и используйте AWQ/GPTQ; следите за регрессией качества.
  • Если нужен современный coding-SOTA, сравните с Qwen 2.5 Coder / DeepSeek Coder — CodeLlama оставьте там, где важна стабильность интеграции.