LLMScalecanlı Hugging Face verisi
ENTR

Llama 3.2 1B Instruct kaç GB VRAM ister?

Llama 3.2 1B Instruct, 16 katmanda 1,24B 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 4,00 GiB KV cache ister. Hugging Face deposu erişim onayı gerektirdiği için LLMScale mimarisini yerleşik veritabanında taşır.

BF16 · 8k context · tek kullanıcı
3,63 GiB

2,30 GiB ağırlık, 256 MiB KV cache ve 1,07 GiB vLLM'in ek yükü. Aynı iş yükü INT4'te 2,29 GiB ister.

  • 16 katman
  • hidden 2048
  • 32/8 heads
  • head_dim 64
  • 128k maks context

Hassasiyet ve context'e göre Llama 3.2 1B Instruct belleği

Hassasiyet8k context32k context128k context
BF163,63 GiBKV cache 256 MiB4,38 GiBKV cache 1,00 GiB7,38 GiBKV cache 4,00 GiB
FP82,72 GiBKV cache 256 MiB3,47 GiBKV cache 1,00 GiB6,47 GiBKV cache 4,00 GiB
INT42,29 GiBKV cache 256 MiB3,04 GiBKV cache 1,00 GiB6,04 GiBKV cache 4,00 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 4090737778
RTX 5090101105107
RTX 6000 Ada161164166
H100 SXM 80GB276279281
RTX PRO 6000 Blackwell334338339
AMD Ryzen AI Max+ 395 (128GB)338341343
H200 141GB499502504
B200 180GB638641643

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

Llama 3.2 1B Instruct ince ayarı

YöntemBellekEn küçük GPU
Tam ince ayar19,54 GiBNVIDIA L4
LoRA (rank 16, attention)3,47 GiBRTX 3060
QLoRA (rank 16, attention)1,76 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 3.2 1B Instruct için bu, FP16'da token başına 32,0 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 3.2 1B Instruct ile çalış

Diğer Llama modelleri