LLM Llama

Llama 3.1 8B

8B параметров · Transformer · Контекст 128k · Meta · 2024

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 16 ГБ Максимальное Для продакшена
FP8 8 ГБ Отличное Оптимально
INT8 8 ГБ Хорошее
INT4/Q4 4 ГБ Приемлемое Для экспериментов

Совместимые GPU

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

Рекомендуемые фреймворки

vLLM Ollama llama.cpp TGI

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model Meta-Llama-3.1-8B-Instruct \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Meta
Год выпуска
2024
Параметры
8B
Архитектура
Transformer
Контекстное окно
128,000 токенов
Лицензия
Llama

Применение

Instruction following Code generation Text summarization Chatbots

Llama 3.1 8B Instruct — эталонный «маленький» Llama 2024 года: плотная 8B с окном 128k и сильной базой инструкций от Meta. Хорошо подходит для быстрых чатов, лёгкого RAG, прототипирования и сервисов, где важнее latency и стоимость, чем последний процент качества у 70B.

Лицензия Llama; на RTX 4090 или RTX 3090 комфортно в fp16/bf16 при умеренном контексте.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Llama 3.1 8B в fp16 рекомендуем RTX 4090 или RTX 3090 (около 16 ГБ под веса). 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-3.1-8B-Instruct \
  --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/Meta-Llama-3.1-8B-Instruct",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе: для каких сценариев Llama 3.1 8B — разумный дефолт?"}]
  }'

Альтернативно, используйте Ollama для быстрого старта:

ollama run llama3.1:8b

Оптимизация

  • Полные 128k редко нужны с первого дня: поднимайте --max-model-len по профилю памяти.
  • Для высокого QPS используйте квантизацию или горизонтальное масштабирование.
  • Следуйте лицензии Meta (acceptable use) при публичном деплое.