Сервер для Llama 4 Maverick 400B-A17B

Llama 4 Maverick 400B-A17B — модель Meta* с архитектурой Mixture-of-Experts: в памяти держатся все 400 млрд параметров, а на каждый токен включаются примерно 17 млрд. Памяти нужно как под крупную модель, зато генерация быстрее, чем у плотной модели того же объёма, — поэтому главный параметр сервера для неё объём памяти, а не число GPU. На выделенном сервере с достаточным объёмом памяти такая модель работает внутри вашей инфраструктуры: запросы и данные компании её не покидают.

В типовой конфигурации — квантование int4, контекст 32K токенов — нужно около 235,8 ГБ: веса 200 ГБ, KV-кэш 5,8 ГБ, служебный запас 30 ГБ. Одного NVIDIA DGX Spark 128 ГБ не хватит: понадобится кластер из 3 узлов по ~108 ГБ, связанных ConnectX-7. Кластер добавляет память, но не ускоряет одиночный запрос; другой путь — более сильное квантование в таблице ниже.