LLM Llama

Llama 3.1 70B

70B параметров · Transformer · Контекст 128k · Meta · 2024

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 140 ГБ Максимальное Для продакшена
FP8 70 ГБ Отличное Оптимально
INT8 70 ГБ Хорошее
INT4/Q4 35 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA H100 SXM
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA H200 SXM
141 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA A100
80 ГБ FP16, FP8, INT8, INT4 Арендовать

Рекомендуемые фреймворки

vLLM TGI llama.cpp

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model Meta-Llama-3.1-70B-Instruct \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Meta
Год выпуска
2024
Параметры
70B
Архитектура
Transformer
Контекстное окно
128,000 токенов
Лицензия
Llama

Применение

Reasoning Instruction following Code generation Text analysis

Llama 3.1 70B Instruct — флагман Llama 3.1: dense 70B с окном 128k, сильный общий интеллект, код и рассуждения на уровне лучших открытых моделей своего поколения. Подходит для корпоративных ассистентов и продуктов, где качество важнее цены инференса.

fp16 веса ~140 ГБ VRAM — на практике ориентируйтесь на fp8 и две H100/H200 с tensor parallel или на квантизацию на одной карте.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Llama 3.1 70B в fp8 рекомендуем минимум две карты H100 или H200 80 ГБ. 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/Meta-Llama-3.1-70B-Instruct \
  --dtype auto \
  --tensor-parallel-size 2 \
  --max-model-len 65536

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "meta-llama/Meta-Llama-3.1-70B-Instruct",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе и назови три сильные стороны 70B Instruct для B2B-ассистента."}]
  }'

Оптимизация

  • Увеличивайте TP до 4× при необходимости большего throughput на длинном контексте.
  • Следите за лицензией Llama и ограничениями для коммерческого использования.
  • Для интерактивного UX снижайте max_tokens и используйте streaming.