Llama 3.3 70B Instruct auf RTX 5070 12GB (12GB) — VRAM, KV-Cache & Token/s

Llama 3.3 70B Instruct (70.55B gesamt, 70.55B aktiv, Dichte GQA-Attention) benötigt 39.6 GiB für 4-Bit-Gewichte (Q4_K_M), 42.67 GiB gesamt bei 8K Kontext und 50.17 GiB bei 32K auf RTX 5070 12GB (~1.7 tok/s).

Interaktiver Dimensionierungs-Konfigurator

Vollständigen Bericht öffnen →

Open-Weight-Modell70.55B / 70.55B

Gewichte & QuantisierungQ4_K_M · 39.6 GiB

Kontextfenster8,192 (8K)

Ziel-Hardware

12 GB · 672 GB/s

GPU-Anzahl (Tensor Parallel)

Parallele Sequenzen (Batch Size)

KV-Cache-Präzision

Inferenz-Engine

System-RAM-Offload (CPU)0%

Überschreitet verfügbaren GPU-Speicher

Gemessene GGUF-Dateigröße HF config.json ↗

Speicheraufteilung im Detail (GiB) 42.67 GiB (45.82 GB) / 12 GiB (356%)

Modellgewichte: 39.6 GiB KV-Cache & Zustand: 2.5 GiB Engine- & Aktivierungspuffer: 0.57 GiB System-RAM-Offload (CPU): 0 GiB

Benötigter GPU-Speicher

42.67 GiB

45.82 GB (dezimal)

Nutzbarer Hardware-Speicher

11.4 GiB

12 GB (physisch)

Sicherheitsreserve

-31.27 GiB

356% Auslastung

Geschätzter Decode-Durchsatz

~1.7 tok/s

70.55B aktive Parameter

Geschätzter Prefill-Durchsatz

~228 tok/s

4K-Prompt TTFT: ~17926 ms

Kosten / 1 Mio. Tokens

$53.92

Dichte GQA-Attention · Llama 3.3

Empfohlene Hardware für diese Konfiguration

Beste Einzel-GPU

A40 48GB (48GB)

~$5,200

Preis-Leistungs- / Gebraucht-GPU

RTX A6000 (48GB)

~$4,500

Apple Unified Memory

Ryzen AI Max+ 395 128GB

~$1,999

Cloud ab

RunPod · $0.33 / Std.

1x RTX A6000

Produktionsreife Startbefehle

llama.cpp (GGUF)

llama-server -hf unsloth/Llama-3.3-70B-Instruct-GGUF:Q4_K_M \
  --ctx-size 8192 -ngl 999 --flash-attn

vLLM

vllm serve meta-llama/Llama-3.3-70B-Instruct \
  --max-model-len 8192 --gpu-memory-utilization 0.92

Echtzeit-Token-Geschwindigkeitssimulator (TTFT ~17926ms · ~1.7 tok/s)

[Llama 3.3 70B Instruct · 42.67 GiB] auf Ziel-GPU reserviert. Prefill abgeschlossen; generiere Token in Echtzeit mit der berechneten Rate...

Cloud-GPU-Preisvergleich & Mieten-vs.-Kaufen-TCO

Verifizierte öffentliche Tarife von RunPod, Vast.ai, Vultr und DigitalOcean.

Geprüft am: 2026-11-04

Aktive Nutzung (Stunden / Tag)4 Std. / Tag

Lokales Hardware-Budget ($)

Stromtarif ($/kWh)

Kauf-Amortisation

~154.1 Monate

Geschätzte Stromkosten: $6.38 / Monat

Anbieter	Empfohlene Instanz	Gesamt-VRAM	Stundensatz	Monatlich (bei Auswahl)	Abrechnungsmodell	Starten
RunPod	1x RTX A6000 (Community Cloud)	48 GB	$0.33 / Std.	$40.13 / Monat	Sekundengenau	GPU starten ↗
Vast.ai	1x A100 80GB SXM (Verifizierter Host · SXM4)	80 GB	$0.44 / Std.	$53.75 / Monat	Spot / On-Demand	GPU starten ↗
*Vultr ($300 Free Credit)**	1x L40S 48GB (Dedizierte Instanz · $300 Credit*)	48 GB	$1.67 / Std.	$203.19 / Monat	Stündlich	GPU starten ↗
Vultr Cloud GPU	1x L40S 48GB (Dedizierte Instanz)	48 GB	$1.67 / Std.	$203.19 / Monat	Stündlich	GPU starten ↗
DigitalOcean	1x RTX 6000 Ada (Dedizierte Instanz)	48 GB	$1.57 / Std.	$190.91 / Monat	Sekundengenau	GPU starten ↗

Preise entsprechen den öffentlichen Tarifen am Prüfdatum und variieren je nach Region und Verfügbarkeit.

Fine-Tuning VRAM-Bedarf (QLoRA / LoRA / Voll) — Llama 3.3 70B Instruct

QLoRA (4b) Überschreitet verfügbaren GPU-Speicher

50.68 GiB

Modellgewichte: 39.6 GiB · Gradienten + Optimizer: 9.88 GiB · Act: 1.2 GiB

Empfohlene GPU: RTX PRO 6000 Blackwell (96GB)

LoRA (16b) Überschreitet verfügbaren GPU-Speicher

148.55 GiB

Modellgewichte: 131.41 GiB · Gradienten + Optimizer: 15.52 GiB · Act: 1.62 GiB

Empfohlene GPU: Instinct MI300X 192GB (192GB)

Voll-FT Überschreitet verfügbaren GPU-Speicher

541.63 GiB

Modellgewichte: 131.41 GiB · Gradienten + Optimizer: 407.37 GiB · Act: 2.85 GiB

Empfohlene GPU: 4x B200 180GB (720GB)

Engineering-Diagnose & Optimierungsleitfaden

Schnelles Hardware-Fazit

Eine einzelne RTX 5070 12GB (12GB) reicht für Llama 3.3 70B Instruct in 4-Bit (42.67 GiB bei 8K) nicht aus. Nutzen Sie Multi-GPU Tensor-Parallelität, System-RAM-Offload oder eine größere Cloud-GPU.

KV-Cache- & Engine-Tuning

Llama 3.3 70B Instruct nutzt Dichte GQA-Attention (70.55B gesamt, 70.55B aktiv pro Token). Zwischen 8K und 32K Kontext steigt der FP16-KV-Cache von 2.5 GiB auf 10 GiB; mit FP8/Q8_0-KV-Quantisierung sparen Sie bei 32K 5 GiB (gesamt 45.17 GiB).

VRAM-Skalierung nach Kontextfenster (4K bis 128K, 4-Bit-Gewichte)

Die Modellgewichte bleiben konstant, während der Attention-KV-Cache mit der Kontextlänge wächst.

Quantisierungs-, Speicher- & Durchsatzmatrix — Llama 3.3 70B Instruct @ 8K

Quantisierungsformat	Gewichte (GiB)	KV-Cache	Gesamt-VRAM (GiB)	Decode-Tempo	Kompatibilität (RTX 5070 12GB)	Empfohlene GPU	Datenquelle
Native Gewichte (BF16 / FP8 / MXFP4 — Verlustfrei) (BF16)	131.41 GiB	2.5 GiB	134.48 GiB (144.4 GB)	~0.8 tok/s	Überschreitet verfügbaren GPU-Speicher	Instinct MI300X 192GB (192GB)	Offizielle Checkpoint-Größe
FP8 / GGUF Q8_0 (8-Bit — Nahezu Verlustfrei) (Q8_0)	69.83 GiB	2.5 GiB	72.9 GiB (78.28 GB)	~0.9 tok/s	Überschreitet verfügbaren GPU-Speicher	RTX PRO 6000 Blackwell (96GB)	Gemessene GGUF-Dateigröße
GGUF Q6_K (6-Bit — Hohe Präzision) (Q6_K)	53.91 GiB	2.5 GiB	56.98 GiB (61.18 GB)	~1.2 tok/s	Überschreitet verfügbaren GPU-Speicher	RTX PRO 6000 Blackwell (96GB)	Gemessene GGUF-Dateigröße
GGUF Q5_K_M (5-Bit — Ausgewogen) (Q5_K_M)	46.52 GiB	2.5 GiB	49.59 GiB (53.25 GB)	~1.4 tok/s	Überschreitet verfügbaren GPU-Speicher	RTX PRO 6000 Blackwell (96GB)	Gemessene GGUF-Dateigröße
Q4_K_M / UD-Q4_K_XL / AWQ (4-Bit — Empfohlen) (Q4_K_M)	39.6 GiB	2.5 GiB	42.67 GiB (45.82 GB)	~1.7 tok/s	Überschreitet verfügbaren GPU-Speicher	A40 48GB (48GB)	Gemessene GGUF-Dateigröße
GGUF IQ4_XS (4.25-Bit — Kompakt) (IQ4_XS)	35.33 GiB	2.5 GiB	38.4 GiB (41.23 GB)	~2 tok/s	Überschreitet verfügbaren GPU-Speicher	A40 48GB (48GB)	Gemessene GGUF-Dateigröße
GGUF Q3_K_M (3-Bit — Wenig VRAM) (Q3_K_M)	31.91 GiB	2.5 GiB	34.98 GiB (37.56 GB)	~2.2 tok/s	Überschreitet verfügbaren GPU-Speicher	A40 48GB (48GB)	Gemessene GGUF-Dateigröße
GGUF UD-Q2_K_XL (2-Bit — MoE Extrem) (UD-Q2_K_XL)	25.11 GiB	2.5 GiB	28.18 GiB (30.26 GB)	~3.1 tok/s	Überschreitet verfügbaren GPU-Speicher	Radeon AI PRO R9700 32GB (32GB)	Gemessene GGUF-Dateigröße

Technische Spezifikationen & Häufige Fragen (FAQ)

Kann die RTX 5070 12GB (12GB) Llama 3.3 70B Instruct ausführen?

In 4-Bit (Q4_K_M) bei 8K Kontext benötigt Llama 3.3 70B Instruct insgesamt 42.67 GiB VRAM (39.6 GiB Gewichte + 2.5 GiB KV-Cache + 0.57 GiB Puffer) bei 11.4 GiB nutzbarem Speicher auf der RTX 5070 12GB (~1.7 tok/s Decode).

Wie viel VRAM benötigt Llama 3.3 70B Instruct bei 32K Kontextlänge?

Bei 32.768 Tokens Kontextfenster belegt der KV-Cache 10 GiB, womit der gesamte 4-Bit-VRAM-Bedarf auf 50.17 GiB (53.87 GB dezimal) steigt.

Dieses Modell auf anderen GPUs testen

RTX 3060 12GB (12GB)RTX 4060 Ti 16GB (16GB)RTX 4070 Ti Super (16GB)RTX 4080 Super (16GB)RTX 5070 Ti (16GB)RTX 5080 (16GB)RTX 3090 (24GB)RTX 4090 (24GB)RTX 4090 D (24GB)RTX 5090 (32GB)RTX 5090 D (32GB)RTX A6000 (48GB)RTX 6000 Ada (48GB)RTX PRO 6000 Blackwell (96GB)DGX Spark (GB10 128GB) (128GB)L4 24GB (24GB)A40 48GB (48GB)L20 48GB (48GB)L40S 48GB (48GB)A800 80GB SXM (80GB)A100 80GB SXM (80GB)H800 80GB SXM (80GB)H100 80GB SXM (80GB)H20 96GB HBM3 (96GB)H20 141GB HBM3e (141GB)H200 141GB SXM (141GB)B200 180GB (180GB)B300 288GB Blackwell Ultra (288GB)Ascend 910B 64GB (昇腾) (64GB)Ascend 910C 128GB (昇腾) (128GB)Atlas 300I Duo 96GB (310P) (96GB)MLU590 80GB (寒武纪思元) (80GB)DCU K100-AI 64GB (海光深算) (64GB)MetaX C500 64GB (沐曦曦云) (64GB)Kunlunxin P800 64GB (昆仑芯) (64GB)MTT S4000 48GB (摩尔线程) (48GB)Radeon RX 7900 XTX 24GB (24GB)Radeon AI PRO R9700 32GB (32GB)Ryzen AI Max+ 395 128GB (128GB)Instinct MI300X 192GB (192GB)Instinct MI325X 256GB (256GB)Instinct MI355X 288GB (288GB)Arc Pro B60 24GB (24GB)Gaudi 3 128GB HBM2e (128GB)Mac mini M4 Pro 64GB (64GB)MacBook Pro M4 Max 128GB (128GB)Mac Studio M4 Ultra 256GB (256GB)Mac Studio M3 Ultra 512GB (512GB)

Weitere Modelle auf dieser Hardware testen

Qwen3.8 Flash Next (125B-A6B)Qwen3.8 27B Qwen3.8 2.4T-A95B Qwen3.6 35B-A3B Qwen3.5 397B-A17B Qwen3.5 122B-A10B Qwen3.5 35B-A3B Qwen3.5 27B Qwen3.5 9B Qwen3.5 4B Qwen3 Coder 480B-A35B Qwen3 Coder Next 80B-A3B Qwen3 Coder 30B-A3B Qwen3 30B-A3B Instruct 2507 Qwen3 235B-A22B Instruct 2507 Qwen3 32B Qwen3 14B Qwen3 8B Qwen3 4B Instruct 2507 Qwen3 1.7B Qwen3 0.6B Qwen2.5 72B Instruct Qwen2.5 Coder 32B Instruct QwQ 32B Reasoning DeepSeek V4.1 Flash (552B-A16B)DeepSeek V4 Flash DeepSeek V3.2 (685B)DeepSeek R1-0528 671B DeepSeek V3-0324 671B DeepSeek R1 Distill Llama 70B DeepSeek R1 Distill Qwen 32B DeepSeek R1 Distill Qwen 14B DeepSeek R1 Distill Llama 8B gpt-oss-20b gpt-oss-120b Gemma 4 31B IT Gemma 4 26B-A4B IT Gemma 4 12B IT Gemma 3 27B IT Gemma 3 12B IT Gemma 3 4B IT GLM-5.3 Flash (320B-A18B)GLM-5.3 (753B)GLM-5 (744B)GLM-4.5 (355B-A32B)GLM-4.5 Air (110B-A12B)GLM-4 32B-0414 Kimi K3 (2.8T-A104B)Kimi K2 Instruct (1T-A32B)Kimi-Dev 72B MiniMax M3.1 Flash (428B-A23B)MiniMax M2.5 (229B-A10B)Step-3.7 Flash (198B-A11B)Step-3.5 Flash (197B-A11B)ERNIE 4.5 300B-A47B (文心)ERNIE 4.5 21B-A3B (文心)Hunyuan A13B Instruct (混元 80B)MiniCPM5 2B (面壁)Llama 4 Maverick 17B-128E (400B)Llama 4 Scout 17B-16E (109B)Llama 3.1 405B Instruct Llama 3.1 8B Instruct Llama 3.2 3B Instruct Mistral Large 4 (1T-A52B)Mistral Large 2 123B Mixtral 8x22B Instruct Mixtral 8x7B Instruct Mistral Small 3.2 24B Devstral Small 24B Nemotron 3 Ultra 550B-A55B Nemotron 3 Super 120B-A12B Nemotron 3 Nano 30B-A3B Cohere Command A 111B Phi-4 14B Liquid LFM3 1.7B