Llama-3.1-Nemotron-70B-Instruct-HF 显存与内存需求
具体的模型版本，带来源的结构和权重文件信息。 GGUF Q4_K_M (bartowski)：8,192 个 token 下约 42.23 GiB–43.57 GiB，1 条序列，FP16 KV，llama.cpp。
当前结果是估算，不是对应环境的实测。未核实有文件依据的权重
能跑的设备
发布方与出处
- 提供方NVIDIA
- Hugging Face
nvidia/Llama-3.1-Nemotron-70B-Instruct-HF - Revision
031d4042f36adc1a52cca51b331d25cbe3cf1022 - 总参数量70,553,706,496
- 层数80
- 查询头64
- KV 头8 (gqa)
- 头维度128
- 已记录的上下文能力131,072
- 完整度complete · full
这次估算里的内存分层
文件字节、原始 KV、引擎额外占用和总需求是分开的。这不是一次运行时轨迹。
- Weight artifact
- 39.60 GiB (42,520,398,752 bytes)
- Raw KV cache
- 2.50 GiB (2,684,354,560 bytes)
- Engine extras / workspace
- 0.13 GiB–1.47 GiB
- Total estimated demand
- 42.23 GiB–43.57 GiB
计入的文件
| 量化 | 计入的文件 | 字节 | 运行引擎 | 证据 |
|---|---|---|---|---|
| BF16 safetensors bf16 | 141,107,412,992 (131.42 GiB / 141.11 GB) | vllm, sglang, unspecified | file-metadata | |
| GGUF Q4_K_M (bartowski) gguf-q4_k_m | Llama-3.1-Nemotron-70B-Instruct-HF-Q4_K_M.gguf | 42,520,398,752 (39.60 GiB / 42.52 GB) | llama.cpp, ollama, unspecified | file-metadata |
| GGUF Q5_K_M (bartowski) gguf-q5_k_m | Llama-3.1-Nemotron-70B-Instruct-HF-Q5_K_M/Llama-3.1-Nemotron-70B-Instruct-HF-Q5_K_M-00001-of-00002.gguf, Llama-3.1-Nemotron-70B-Instruct-HF-Q5_K_M/Llama-3.1-Nemotron-70B-Instruct-HF-Q5_K_M-00002-of-00002.gguf | 49,949,822,016 (46.52 GiB / 49.95 GB) | llama.cpp, ollama, unspecified | file-metadata |
| GGUF Q6_K (bartowski) gguf-q6_k | Llama-3.1-Nemotron-70B-Instruct-HF-Q6_K/Llama-3.1-Nemotron-70B-Instruct-HF-Q6_K-00001-of-00002.gguf, Llama-3.1-Nemotron-70B-Instruct-HF-Q6_K/Llama-3.1-Nemotron-70B-Instruct-HF-Q6_K-00002-of-00002.gguf | 57,888,148,576 (53.91 GiB / 57.89 GB) | llama.cpp, ollama, unspecified | file-metadata |
| GGUF Q8_0 (bartowski) gguf-q8_0 | Llama-3.1-Nemotron-70B-Instruct-HF-Q8_0/Llama-3.1-Nemotron-70B-Instruct-HF-Q8_0-00001-of-00002.gguf, Llama-3.1-Nemotron-70B-Instruct-HF-Q8_0/Llama-3.1-Nemotron-70B-Instruct-HF-Q8_0-00002-of-00002.gguf | 74,975,054,944 (69.83 GiB / 74.98 GB) | llama.cpp, ollama, unspecified | file-metadata |
| INT4 theoretical | 没有已发布的文件 | 35,276,853,248 (理论行不是可下载的发布文件。) | — | theoretical |
按量化与上下文查看显存
并发序列数为 1。KV 默认 FP16。区间包含所列引擎已记录的运行时额外占用。这些数字与交互式计算器使用同一套核心。
| 量化 | 2,048 tokens | 8,192 tokens | 32,768 tokens |
|---|---|---|---|
| BF16 safetensors | 132.67 GiB–134.56 GiB | 134.54 GiB–136.49 GiB | 142.04 GiB–144.22 GiB |
| GGUF Q4_K_M (bartowski) | 40.35 GiB–41.53 GiB | 42.23 GiB–43.57 GiB | 49.73 GiB–51.59 GiB |
| GGUF Q5_K_M (bartowski) | 47.27 GiB–48.59 GiB | 49.14 GiB–50.62 GiB | 56.64 GiB–58.65 GiB |
| GGUF Q6_K (bartowski) | 54.66 GiB–56.13 GiB | 56.54 GiB–58.17 GiB | 64.04 GiB–66.19 GiB |
| GGUF Q8_0 (bartowski) | 70.58 GiB–72.36 GiB | 72.45 GiB–74.40 GiB | 79.95 GiB–82.42 GiB |
| INT4 theoretical 理论行不是可下载的发布文件。 | 33.60 GiB–43.62 GiB | 35.48 GiB–45.97 GiB | 42.98 GiB–55.20 GiB |
KV Cache（原始数据）
标准 GQA/MHA 的原始 KV 为 2 × 层数 × kvHeads × headDim × token 数 × 序列数 × 每元素字节。本页使用 KV heads（8），不是 query heads（64）。
- 8,192 tokens, 1 sequence, FP16: 2,684,354,560 bytes (2.5000 GiB)
- 32,768 tokens: 10,737,418,240 bytes (10.00 GiB)
相关页面
数据来源
影响结论的假设
- 请求的上下文在记录的原生窗口 131072 token 以内。
- 完整驻留权重估算使用总参数量，包括未激活的 MoE 专家。
- 权重字节只计入选定的权重文件，不会把仓库里所有量化版本加在一起。
- 下载文件大小不是峰值 GPU 内存。运行时布局、分配器填充和 KV 是额外占用。
- 计入的文件：Llama-3.1-Nemotron-70B-Instruct-HF-Q4_K_M.gguf。
- 上下文预算是每个序列缓存的 token 数（输入加上预留的生成长度）。
- 并发序列共用一份模型副本；权重不会按序列数再乘一遍。
- 除非你改 KV 精度，否则 KV 的数据类型与权重量化无关。
计算器
正在加载已发布的目录快照…
搜索或选择目录中的模型，查看本地大模型的显存需求。
搜索或选择目录中的模型，查看本地大模型的显存需求。