Llama-3.3-70B-Instruct-MXFP4-Preview
amds Llama-3.3-70B-Instruct-MXFP4-Preview vereint 70 Milliarden Parameter in einem Chat-Modell. Llama-3.3-70B-Instruct-MXFP4-Preview is an open-weights chat model with roughly 70 billion parameters.
by amd · 70 Mrd. Parameter
Am besten geeignet für
- komplexes mehrstufiges Reasoning
- Agent-Orchestrierung mit Tool-Nutzung
- Analyse und Zusammenfassung langer Dokumente
Möglichkeiten, Llama-3.3-70B-Instruct-MXFP4-Preview in osFoundry zu nutzen
Mit eigenem Schlüssel verbinden (BYOK)
Öffnen Sie den Schlüssel-Dialog und fügen Sie Ihren amd-API-Key ein. osFoundry erkennt Llama-3.3-70B-Instruct-MXFP4-Preview automatisch — weisen Sie es im Pipeline-Tab einer Maestro-Rolle (Router, Direct, Orchestrator oder Fallback) zu, und es ist in jedem Chat verfügbar. Ihr Key, Ihr Provider-Konto — kein Token-Aufschlag.
Dedizierten Endpunkt bereitstellen
Llama-3.3-70B-Instruct-MXFP4-Preview ist Open-Weights — betreiben Sie es lokal kostenlos oder stellen Sie in Ihrem Workspace einen dedizierten GPU-Endpunkt für reservierte Kapazität ohne Rate Limits bereit.
In einer Room App verwenden
Room Apps deklarieren KI-Funktionen in ihrem Manifest und rufen sie anschließend mit invokeAI auf:
import { invokeAI } from '@osfoundry/app-sdk'
// 'summarize' is an AI feature declared in your app manifest.
const result = await invokeAI('summarize', userText)
Aus eigenen Anwendungen aufrufen
Sobald ein Modell in Ihrem Workspace eingerichtet ist, können Sie es als API hosten und aus Ihren eigenen Diensten, Skripten oder CI — außerhalb von osFoundry — erreichen.
Welche Hardware kann Llama-3.3-70B-Instruct-MXFP4-Preview ausführen
Llama-3.3-70B-Instruct-MXFP4-Preview läuft auf eine einzelne A100 80GB oder H100 80GB mit Q4-Quantization (~42 GB VRAM mit Reserve für den KV-Cache). Inferenz in voller Präzision erfordert mehrere H100/H200-GPUs bei FP16 (~168 GB).
Llama-3.3-70B-Instruct-MXFP4-Preview im Vergleich zu ähnlichen Modellen
Lizenz
Nicht angegeben — Lizenzbedingungen nicht angegeben — prüfen Sie die Upstream-Model-Card vor kommerzieller Nutzung.
Konsultieren Sie die Upstream-Dokumentation.
Häufige Fragen zu Llama-3.3-70B-Instruct-MXFP4-Preview
Ist Llama-3.3-70B-Instruct-MXFP4-Preview kostenlos nutzbar?
Llama-3.3-70B-Instruct-MXFP4-Preview kann auf Ihrer eigenen Hardware kostenlos lokal betrieben werden. Der gehostete Zugriff über osFoundry wird abgerechnet (Input Free (local), Output Free (local)). Sie können jederzeit zwischen lokal und gehostet wechseln.
Kann ich Llama-3.3-70B-Instruct-MXFP4-Preview kommerziell nutzen?
Kommerzielle Nutzung ist unter bestimmten Bedingungen erlaubt. Lizenzbedingungen nicht angegeben — prüfen Sie die Upstream-Model-Card vor kommerzieller Nutzung. Konsultieren Sie die Upstream-Dokumentation.
Wie viel VRAM benötigt Llama-3.3-70B-Instruct-MXFP4-Preview?
Etwa 42 GB bei Q4-Quantization oder 168 GB bei voller FP16-Präzision. Passt auf eine einzelne A100/H100 80GB.
Kann ich Llama-3.3-70B-Instruct-MXFP4-Preview lokal betreiben?
Ja. Llama-3.3-70B-Instruct-MXFP4-Preview ist Open-Weights und läuft lokal auf einer Workstation-GPU. Die lokale Runtime von osFoundry übernimmt Modellladen, Quantization und Routing.
Worin ist Llama-3.3-70B-Instruct-MXFP4-Preview besonders gut?
Llama-3.3-70B-Instruct-MXFP4-Preview eignet sich besonders für komplexes mehrstufiges Reasoning, Agent-Orchestrierung mit Tool-Nutzung, Analyse und Zusammenfassung langer Dokumente.
Wie verwende ich Llama-3.3-70B-Instruct-MXFP4-Preview in osFoundry?
Fügen Sie Ihren amd-API-Key im Schlüssel-Dialog ein (oder stellen Sie bei selbst hostbaren Modellen die Open Weights bereit), weisen Sie Llama-3.3-70B-Instruct-MXFP4-Preview im Pipeline-Tab einer Maestro-Rolle zu und nutzen Sie es anschließend im Chat, in Room Apps über invokeAI oder in Ihren eigenen Anwendungen.
Veröffentlicht von amd am 14. Mai 2025. Quelle: https://huggingface.co/amd/Llama-3.3-70B-Instruct-MXFP4-Preview