Llama 3.3 70B Instruct
70BMeta Llama 3.3
Meta 最新 70B，多语言能力提升，可无缝替换 Llama 3.1 70B。
131K
最大上下文
3
量化变体
GGUF Q5_K_M
最佳质量
99.0%
精度保留率
量化变体对比
各量化级别的显存、质量损失及 RTX 4090 推理速度
实测 = 本站跑过 · 估算 = 本站未跑过：推算所得，或本站未核实的数字 · 社区 = 公开报告
相似模型
与 Llama 3.1 对比Llama 3.1 70B Instruct
Meta Llama 3.1
Meta 前沿 70B 模型，需要 40GB+ 显存，适合双 3090 或 M2 Ultra。
Jamba 1.5 Mini
AI21 Labs
AI21 的 Mamba-Transformer 混合 MoE：总参数 52B，激活约 12B，256K 上下文。32 层中只有 4 层保留 KV 缓存，所以长上下文很省——但 52B 权重必须全部载入，Q4 约 31 GB。需要 32 GB 显卡或大内存 Mac，而不是本条目以前写的 16 GB 显卡。体积使用计算器通用比特率；本站未实测速度。
GPT-OSS 120B
OpenAI GPT-OSS
GPT-OSS 大杯（总 117B / 激活 5.1B）。原生 MXFP4 权重约 61GB —— 单张 80GB 卡或 128GB 统一内存 Mac 可跑。24GB 消费卡部分卸载虽慢但可用。
GLM-4.5-Air
Zhipu GLM-4.5
智谱 Agent/推理向 MoE（总 106B / 激活 12B）。Q4 约 64GB —— 96GB+ 统一内存 Mac 或双 48GB 卡最合适。同级别中工具调用能力突出。
在本地运行 Llama 3.3 70B Instruct
在 Q4_K_M、4K 上下文下，Llama 3.3 70B Instruct 约需 46.1 GB —— 权重 40.7 GB、KV 缓存 1.25 GB、激活缓冲 4.2 GB。本索引中能宽裕跑它的最小显卡是 64 GB 的 DGX Spark 64G，78 张卡中有 12 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 8.75 GB，总量来到 55.7 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 89 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 Q5_K_M 的公开困惑度损失最低，为 1.0%。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 3.3 70B Instruct 需要多少显存？
- 在 Q4_K_M、4K 上下文、batch 1 下约 46.1 GB，到 32K 时约 55.7 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 3.3 70B Instruct 能在 64GB 显卡上跑吗？
- 可以 —— 在 Q4_K_M、4K 上下文下约需 46.1 GB，在 DGX Spark 64G 上还剩 17.9 GB。这是本索引中能宽裕跑它的最小显卡；78 张中有 12 张可以。
- Llama 3.3 70B Instruct 该用哪个量化档位？
- Q5_K_M 的公开质量损失最低（1.0%），而 Q4_K_M 是多数人使用的档位。索引中的 3 个档位是 Q4_K_M、Q5_K_M、AWQ INT4。
这个模型能跑在哪
按 Q4_K_M、4K 上下文估算，显存从小到大排列。「从容」指估算占用不超过显存的 88%。
怎么把它跑起来
针对本模型及同类硬件的部署指南。
本页数字会随模型数据或运行时版本的变化而更新。最近更新 2026-10-20 RSS → /zh/feed.xml