Llama 4 Scout 17B 16E 如何本地部署？

VRAMGlass 编辑部 · 更新于 2026年9月10日

Llama 4 Scout 17B 16E 是 MoE 模型，总参数 108.6B，每 token 激活 17B。Q4 量化整机放显存需要 64GB；把专家放进系统内存后只需 10GB 显存 + 55GB 内存。当前最便宜能跑的显卡是 Ryzen AI Max+ 395 128GB，约 ¥26,315，预估 11.7 tokens/s。卸载模式下最便宜能跑的显卡是 Tesla V100 16GB，预估 12 tokens/s。

Llama 4 Scout 17B 16E 版本信息

发布日期2025年4月2日

Hugging Face 仓库meta-llama/Llama-4-Scout-17B-16E-Instruct

小版本—

许可证Llama 4 Community License

架构MoE

GGUF 仓库unsloth/Llama-4-Scout-17B-16E-Instruct-GGUF

Ollama 标签llama4:scout

Q4 最低显存64 GB · Q4_K_M · 8K

专家卸载10 GB 显存 + 55 GB 内存

参数量108.6B

MoE17B

层数48

隐藏维度5,120

KV 头8

头维度128

上下文上限10M

厂商Meta AI

Llama 4 Scout 17B 16E 本地部署需要多少显存？

MoE：总参数 108.6B 全部要驻留显存，速度按每 token 激活的 17B 算。

量化	权重体积GB	8K 总显存GB	32K 总显存GB	128K 总显存GB
1-bit	35GGUF	28	32.5	50.5
2-bit	42.4GGUF	42.9	47.4	65.4
3-bit	49GGUF	54.6	59.1	77.1
4-bit	65.4GGUF	63.1	67.6	85.6
5-bit	76.5GGUF	75.8	80.3	98.3
8-bit	114.5GGUF	115.1	119.6	137.6
FP16	215.6GGUF	215	219.5	237.5

总显存 = 权重 + KV cache（FP16）+ 1GB 运行开销。标 GGUF 的权重是仓库里的实测文件体积，标「估」的按每参数字节估算。超过这个模型 10M 上下文上限的档位写「—」。各档取仓库里该比特数的任一文件，优先 unsloth 动态量化，所以同一档不同模型对应的文件名可能不同。

什么显卡能跑 Llama 4 Scout 17B 16E？

AmazonJP

设备	显存GB	价	预估 t/s	建议上下文
Ryzen AI Max+ 395 128GB	128	¥26,3156 条挂单	11.7	128K
DGX Spark 128GB	128	¥55,3043 条挂单	17.1	128K
CMP 170HX 64GB	64	—暂无挂单	71.5	8K
Instinct MI210	64	—暂无挂单	59.7	8K
RTX PRO 5000 Blackwell 72GB	72	—暂无挂单	66.2	32K
RTX PRO 6000D	84	—暂无挂单	74	32K
RTX PRO 6000 Blackwell	96	—暂无挂单	81.2	128K
Mac Studio M4 Max 128GB	128	—暂无挂单	25.8	128K
Mac Studio M5 Max 128GB	128	—暂无挂单	28.6	128K
MacBook Pro M4 Max 128GB	128	—暂无挂单	25.8	128K
MacBook Pro M5 Max 128GB	128	—暂无挂单	28.6	128K
Mac Studio M3 Ultra 512GB	512	—暂无挂单	36.8	128K

判定口径：权重 + KV cache + 运行开销 ≤ 可用显存，单卡。MoE 模型标「卸载」表示把专家权重放进系统内存后能跑（显存只放注意力层与 KV cache），速度按内存带宽 70 GB/s 估算。上下文列给的是能装下的最大档位。

Llama 4 Scout 17B 16E 混合推理推荐显卡

AmazonJP

专家权重放系统内存，需要 ≥ 55 GB 内存；显存只放注意力层、共享专家和 KV cache，Q4 下最低 10 GB。速度受内存带宽限制（按 70 GB/s 估算），比整机放显存慢得多。

设备	显存GB	价	需内存GB	预估 t/s
Tesla V100 16GB	16	¥4,432	55	11.6
Radeon RX 9070 XT	16	¥5,949	55	10.3
GeForce RTX 5060 Ti 16GB	16	¥6,217	55	10.3
GeForce RTX 5070	12	¥6,428	55	11.1
Radeon RX 7800 XT	16	¥6,498	55	10.3
Tesla V100 32GB	32	¥7,673	55	11.6
Arc Pro B60	24	¥7,829	55	9.2
Radeon RX 7900 XT	20	¥8,363	55	10.8
Radeon RX 6950 XT	16	¥9,442	55	10.1
GeForce RTX 5070 Ti	16	¥10,600	55	11.6
Radeon RX 7900 XTX	24	¥11,686	55	11.2
GeForce RTX 5080	16	¥12,560	55	11.7
Arc Pro B70	32	¥13,947	55	10
GeForce RTX 4080	16	¥14,710	55	11.2
Radeon AI PRO R9700	32	¥15,089	55	10.3
GeForce RTX 3090	24	¥16,950	55	11.7
RTX PRO 4000 Blackwell	24	¥26,603	55	11.1
GeForce RTX 4090	24	¥32,986	55	11.8
GeForce RTX 5090	32	¥50,365	55	12.4
GeForce RTX 2080 Ti 22GB	22	—	55	11
GeForce RTX 5090 D V2	24	—	55	12.1
Arc Pro B65	32	—	55	10
GeForce RTX 4080 SUPER 32GB	32	—	55	11.3
GeForce RTX 5090 D	32	—	55	12.4
Instinct MI100	32	—	55	11.6
Instinct MI50 32GB	32	—	55	11.3
Radeon PRO W7800	32	—	55	10.1
RTX PRO 4500 Blackwell	32	—	55	11.6
A100 40GB PCIe	40	—	55	12.3
CMP 170HX 40GB	40	—	55	12.3
GeForce RTX 4090 48GB	48	—	55	11.8
Radeon PRO W7900	48	—	55	11
RTX PRO 5000 Blackwell 48GB	48	—	55	12.1

用 Ollama / llama.cpp / vLLM 本地部署 Llama 4 Scout 17B 16E

Ollama

Ollama 一条命令拉起，量化档位由官方标签决定。

ollama run llama4:scout

llama.cpp

llama.cpp 直接从 Hugging Face 拉 GGUF，-c 是上下文长度。

llama-server -hf unsloth/Llama-4-Scout-17B-16E-Instruct-GGUF:Q4_K_M -c 8192

vLLM

vLLM 跑的是原始精度权重，显存要求比 GGUF 高得多，通常要多卡。

vllm serve meta-llama/Llama-4-Scout-17B-16E-Instruct

量化文件名以模型库当周抓取为准，口径见数据方法。数据方法

常见问题

Llama 4 Scout 17B 16E 需要多少显存？

在 Q4_K_M 量化、8K 上下文下 Llama 4 Scout 17B 16E 约需 64GB 显存，留到 76GB 更稳。

哪张显卡最便宜能跑 Llama 4 Scout 17B 16E？

Ryzen AI Max+ 395 128GB，128GB 显存，当前中位价约 ¥26,315，预估 11.7 tokens/s。

Llama 4 Scout 17B 16E 能用 Ollama 跑吗？

能，命令是 ollama run llama4:scout。