LLMScalecanlı Hugging Face verisi
ENTR

Llama 3.1 8B Instruct kaç GB VRAM ister?

Llama 3.1 8B Instruct, 32 katmanda 8,03B parametreye sahiptir. Grouped-query attention kullanır: 32 query head, 8 key-value head'i paylaşır; bu yüzden KV cache'i tam multi-head attention'a göre 4× küçüktür. En fazla 131.072 token context alır; bu uzunlukta tek bir kullanıcı, ağırlıkların üstüne FP16'da 16,00 GiB KV cache ister. Hugging Face deposu erişim onayı gerektirdiği için LLMScale mimarisini yerleşik veritabanında taşır.

BF16 · 8k context · tek kullanıcı
17,71 GiB

14,96 GiB ağırlık, 1,00 GiB KV cache ve 1,75 GiB vLLM'in ek yükü. Aynı iş yükü INT4'te 8,16 GiB ister.

  • 32 katman
  • hidden 4096
  • 32/8 heads
  • head_dim 128
  • 128k maks context

Hassasiyet ve context'e göre Llama 3.1 8B Instruct belleği

Hassasiyet8k context32k context128k context
BF1617,71 GiBKV cache 1,00 GiB20,71 GiBKV cache 4,00 GiB32,71 GiBKV cache 16,00 GiB
FP811,21 GiBKV cache 1,00 GiB14,21 GiBKV cache 4,00 GiB26,21 GiBKV cache 16,00 GiB
INT48,16 GiBKV cache 1,00 GiB11,16 GiBKV cache 4,00 GiB23,16 GiBKV cache 16,00 GiB

Tek kullanıcı, FP16 KV cache ve 70 GB altı bir kartın varsayılanlarıyla tek GPU'da vLLM'in ek yükü. Quantization ağırlıkları küçültür, KV cache'i değil; bu yüzden context büyüdükçe kazanç daralır.

Onu tek başına taşıyan GPU'lar

8k context ve tek kullanıcı için, en küçük kartlar önce. Ayrık kartlarda vLLM'in varsayılanı olan bellek payı %92, unified bellekli cihazlarda GPU'nun kullanabildiği pay hesaba katılır; her cihaz kendi varsayılanlarıyla vLLM'in ek yükünü taşır.

Kaç kullanıcı sığar

GPUBF16FP8INT4
RTX 409051114
RTX 5090121821
RTX 6000 Ada263336
H100 SXM 80GB556265
RTX PRO 6000 Blackwell707679
AMD Ryzen AI Max+ 395 (128GB)717780
H200 141GB111118121
B200 180GB145152155

Kullanıcı başına 8k context ile, tek kartta. ✗: ağırlıklar tek bir kullanıcıya bile yer bırakmıyor.

Llama 3.1 8B Instruct ince ayarı

YöntemBellekEn küçük GPU
Tam ince ayar121,2 GiBH200 141GB
LoRA (rank 16, attention)16,63 GiBNVIDIA L4
QLoRA (rank 16, attention)5,54 GiBRTX 3060

Dizi uzunluğu 2.048, batch 1, gradient checkpointing açık, Adam. Tam ince ayar aktivasyonlardan önce parametre başına 16 byte tutar; QLoRA dondurulmuş temel modeli 4-bit NF4 olarak saklar.

Sayılar nereden geliyor

Ağırlıklar parametre × parametre başına byte olur. KV cache 2 × katman × key-value head × head boyutu × byte × context × kullanıcı olur. Llama 3.1 8B Instruct için bu, FP16'da token başına 128,0 KiB eder. Bunlar kapasite planlama sayılarıdır: servis motoru — vLLM, TGI, llama.cpp — ve paged-attention verimliliği gerçek değeri yine değiştirir.

Daha fazlası: KV cache boyutu ve GQA, MQA ve MLA.

Llama 3.1 8B Instruct ile çalış

Diğer Llama modelleri