Llama 3.1 405B Instruct

在本地运行 Llama 3.1 405B Instruct

在 Q4_K_M、4K 上下文下，Llama 3.1 405B Instruct 约需 258.7 GB —— 权重 233.2 GB、KV 缓存 1.97 GB、激活缓冲 23.5 GB。本索引中能宽裕跑它的最小显卡是 512 GB 的 Mac M5 Ultra 512G，76 张卡中有 1 张可以。这些是计算值而非实测值：估算把「宽裕」的界线画在显存的 88%，大致就是桌面环境需要留出的余量。

上下文变长会多花多少

从 4K 提到 32K 约多占 13.78 GB，总量来到 273.9 GB。权重不随上下文变化，只有 KV 缓存会，而且是线性增长 —— 规划长文档场景时要盯的就是这个数字。该模型的原生上下文是 128K；在 Q4_K_M 下把它全部撑满约需 326 GB。

该下载哪个版本

本索引收录了它的 2 种格式 —— GGUF、AWQ —— 共 3 个档位。 其中 Q4_K_M 的公开困惑度损失最低，为 2.3%。本站硬件上没有该模型的吞吐实测数据。GGUF 可在 NVIDIA、AMD 与苹果芯片上通过 llama.cpp 和 Ollama 运行；AWQ 与 GPTQ 面向 CUDA 和 ROCm 上的 vLLM；EXL2 是 ExLlamaV2 —— 仅限 CUDA，而且已经归档，适合本机使用而不适合提供服务。

常见问题

Llama 3.1 405B Instruct 需要多少显存？

在 Q4_K_M、4K 上下文、batch 1 下约 258.7 GB，到 32K 时约 273.9 GB。这个数字是权重加 KV 缓存再加 10% 激活缓冲，由模型架构计算得出，不是在显卡上实测的。

Llama 3.1 405B Instruct 能在 512GB 显卡上跑吗？

可以 —— 在 Q4_K_M、4K 上下文下约需 258.7 GB，在 Mac M5 Ultra 512G 上还剩 125.3 GB。这是本索引中能宽裕跑它的最小显卡；76 张中有 1 张可以。

Llama 3.1 405B Instruct 该用哪个量化档位？

Q4_K_M 的公开质量损失最低（2.3%），而 Q4_K_M 是多数人实际使用的档位。索引中的 3 个档位是 Q4_K_M、Q3_K_M、AWQ INT4。