01Ce qu'il sait faire
Points forts
- Qualité 405B à 1/6 de la taille
- 128k ctx
- Très fort en raisonnement et code
Limites à connaître
- —HF gated (accepter les termes Meta)
- —Licence communautaire avec clause >700M MAU
- —Pas de vision
Architecture
Dense · GQA · base Llama 3.1
Entraînement
Post-training amélioré vs Llama 3.1 70B.
Idéal pour
RaisonnementRédaction proAgents
02Mémoire requise
VRAM GPU approximative pour faire tourner ce modèle, overhead contexte de 4k tokens inclus. Pour un contexte plus long, ajoutez ~1 Go par tranche de 8k tokens.
Q4_K_M
Le plus léger, ~5% de perte
40 Go
Q5_K_M
Bon compromis qualité/taille
48 Go
Q8_0
Quasi-indistinguable de FP16
75 Go
FP16
Pleine précision — usage serveur
140 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 64 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
03Vitesse attendue
Tokens générés par seconde en Q4_K_M, contexte 4k. Au-delà de 20 t/s, la lecture est confortable. En dessous de 10 t/s, c'est juste pour tester.
04Benchmarks publics
Scores reproduits depuis les model cards ou MMLU-Pro / communautaires. Unité : % bonnes réponses.
MMLU
86
GPQA Diamond
50.5
HumanEval
88.4
05Installer
Le chemin le plus court : Ollama. Une commande, le modèle est téléchargé et lancé.
$ollama run llama3.3:70b
LM Studio
Interface graphique, zéro CLI
→ Voir le guide
llama.cpp
Perf brute, build from source
→ Voir le guide
vLLM
Serveur OpenAI-compatible prod
→ Voir le guide
Jan / GPT4All
Apps desktop tout-en-un
→ Voir le guide
⚠
Premier téléchargement : entre 2 et 40 Go selon la quantization choisie. Espace disque à prévoir, connexion stable recommandée. Les relances suivantes sont instantanées.