Llama 3.3 70B в квантизации Q4_K_M с контекстом 8 тысяч токенов занимает 43,1 ГБ видеопамяти. Самый дешёвый вариант сейчас — 4× RTX 3060 12 ГБ, от 28 ₽/ч.
Размер файла весов и вся нужная видеопамять с кэшем контекста. Одна видеокарта, один запрос.
| Квантизация | Файл | Контекст 8K | Контекст 32K | Контекст 128K | Хватит видеокарты |
|---|---|---|---|---|---|
| BF16 | 131,4 | 134,9 | 142,4 | 172,4 | H200 NVL 141 ГБ |
| Q8_0 | 69,8 | 73,3 | 80,8 | 110,8 | A800 PCIe 80 ГБ |
| Q6_K | 53,9 | 57,4 | 64,9 | 94,9 | RTX PRO 5000 72 ГБ |
| Q5_K_M | 46,5 | 50,0 | 57,5 | 87,5 | RTX PRO 5000 72 ГБ |
| Q4_K_M | 39,6 | 43,1 | 50,6 | 80,6 | RTX A6000 48 ГБ |
| Q3_K_M | 31,9 | 35,4 | 42,9 | 72,9 | A100 PCIe 40 ГБ |
| Q2_K | 24,6 | 28,1 | 35,6 | 65,6 | Tesla V100 Super 32 ГБ |
Сколько памяти занимает кэш на один запрос в FP16. Q8-кэш почти вдвое меньше. 320 КБ на токен.
Видеокарты из каталога, на которых модель помещается, по цене за час.
Цена — от самой дешёвой видеокарты этой модели × число GPU. Сервер на 2–8 видеокарт бывает немного дороже за штуку.
В шаблоне Ollama модель ставится одной командой:
ollama run llama3.3:70bДля API с высокой нагрузкой — шаблон vLLM с OpenAI-совместимым API.
Размеры файлов сверены с Hugging Face 2026-10-19. 1 ГБ здесь — 1024³ байт, как у видеокарт. На Hugging Face размеры в десятичных гигабайтах, поэтому там числа на 7% больше.