/ Модель

Характеристики

Контекст
131 072 токена
Параметры
69,5 млрд
Размер весов
72,7 ГБ
Лицензия
Llama 3.1
Архитектура
llama · dense
Базовая модель
Llama-3.1-70B-Instruct
Библиотека
transformers
Опубликована
29 авг 2024

Llama-3.1-70B-Instruct-FP8

Генерация текстаТекст → текст15 профессий

Квантованная до FP8 диалоговая модель Llama 3.1 на 70 млрд параметров для генерации текста и работы ассистента с контекстом до 128 тысяч токенов.

5 898скачиваний за 30 дней20лайковвеса обновлены22 авг 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

NVIDIA Llama 3.1 70B Instruct FP8 — квантованная до FP8 версия диалоговой языковой модели Meta Llama 3.1 70B Instruct. В README указано, что модель разработана не NVIDIA: веса и активации линейных операторов в блоках трансформера преобразованы в FP8 с помощью TensorRT Model Optimizer. Архитектура — авторегрессионный трансформер Llama 3.1 с 69,5 млрд параметров; модель принимает и генерирует текст, поддерживает контекст до 128 тысяч токенов и интерфейс для вызова инструментов.

Модель предназначена для диалоговых ассистентов и генерации текста. FP8-квантование примерно вдвое сокращает требования к дисковому пространству и памяти GPU; в описанном тесте на H100 заявлено ускорение примерно в 1,5 раза. Для инференса указаны TensorRT-LLM и vLLM, совместимое оборудование включает NVIDIA Blackwell, Hopper и Lovelace.

Лицензия — Llama 3.1; README сообщает о возможности коммерческого и некоммерческого использования. Следует учитывать условия лицензии Meta и ограничения исходной модели. Модель текстовая, поэтому она не принимает изображения, аудио или видео.

Сценарии применения

  • диалоговый ассистент с длинным контекстом
  • генерация и продолжение текстов
  • ответы на вопросы в чате
  • создание ассистента с вызовом инструментов

Ограничения

Квантование меняет веса и активации линейных операторов и может влиять на качество относительно исходной модели; README не приводит численных результатов сравнения качества. Для инференса нужны совместимый GPU и TensorRT-LLM либо vLLM.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Overview

Description:

The NVIDIA Llama 3.1 70B Instruct FP8 model is the quantized version of the Meta's Llama 3.1 70B Instruct model, which is an auto-regressive language model that uses an optimized transformer architecture. For more information, please check here. The NVIDIA Llama 3.1 70B Instruct FP8 model is quantized with TensorRT Model Optimizer.

This model is ready for commercial/non-commercial use.

Third-Party Community Consideration

This model is not owned or developed by NVIDIA. This model has been developed and built to a third-party’s requirements for this application and use case; see link to Non-NVIDIA (Meta-Llama-3.1-70B-Instruct) Model Card.

License/Terms of Use:

nvidia-open-model-license

llama3.1

Model Architecture:

Architecture Type: Transformers Network Architecture: Llama3.1

Input:

Input Type(s): Text Input Format(s): String Input Parameters: Sequences Other Properties Related to Input: Context length up to 128K

Output:

Output Type(s): Text Output Format: String Output Parameters: Sequences Other Properties Related to Output: N/A

Software Integration:

Supported Runtime Engine(s):

  • Tensor(RT)-LLM
  • vLLM

Supported Hardware Microarchitecture Compatibility:

  • NVIDIA Blackwell
  • NVIDIA Hopper
  • NVIDIA Lovelace

Preferred Operating System(s):

  • Linux

Model Version(s):

The model is quantized with nvidia-modelopt v0.15.1

Datasets:

Inference:

Engine: Tensor(RT)-LLM or vLLM Test Hardware: H100

Post Training Quantization

This model was obtained by quantizing the weights and activations of Meta-Llama-3.1-70B-Instruct to FP8 data type, ready for inference with TensorRT-LLM. Only the weights and activations of the linear operators within transformers blocks are quantized. This optimization reduces the number of bits per parameter from 16 to 8, reducing the disk size and GPU memory requirements by approximately 50%. On H100, we achieved 1.5x speedup.

Usage

Deploy with TensorRT-LLM

To deploy the quantized checkpoint with TensorRT-LLM, follow the sample commands below with the TensorRT-LLM GitHub repo:

  • Checkpoint convertion:
python examples/llama/convert_checkpoint.py --model_dir Llama-3.1-70B-Instruct-FP8 --output_dir /ckpt --use_fp8
  • Build engines:
trtllm-build --checkpoint_dir /ckpt --output_dir /engine
  • Throughputs evaluation:

Please refer to the TensorRT-LLM benchmarking documentation for details.

Evaluation

Deploy with vLLM

To deploy the quantized checkpoint with vLLM, follow the instructions below:

  1. Install vLLM from directions here.
  2. To use a Model Optimizer PTQ checkpoint with vLLM, quantization=modelopt flag must be passed into the config while initializing the LLM Engine.

Example deployment on an H100:

from vllm import LLM, SamplingParams

model_id = "nvidia/Llama-3.1-70B-Instruct-FP8"
sampling_params = SamplingParams(temperature=0.8, top_p=0.9)

prompts = [
    "Hello, my name is",
    "The president of the United States is",
    "The capital of France is",
    "The future of AI is",
]

llm = LLM(model=model_id, quantization="modelopt")
outputs = llm.generate(prompts, sampling_params)

# Print the outputs.
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

This model can be deployed with an OpenAI Compatible Server via the vLLM backend. Instructions here.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
07a08be

0 моделей