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 CMP 170HX 64GB，约 ¥14,050，预估 71.5 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？

闲鱼

设备	显存GB	价	预估 t/s	建议上下文
CMP 170HX 64GB	64	¥14,0508 条挂单	71.5	8K
Instinct MI210	64	¥18,50012 条挂单	59.7	8K
Mac Studio M4 Max 128GB	128	¥32,20013 条挂单	25.8	128K
DGX Spark 128GB	128	¥32,50031 条挂单	17.1	128K
MacBook Pro M4 Max 128GB	128	¥35,4004 条挂单	25.8	128K
Mac Studio M5 Max 128GB	128	¥39,5506 条挂单	28.6	128K
MacBook Pro M5 Max 128GB	128	¥54,8007 条挂单	28.6	128K
RTX PRO 5000 Blackwell 72GB	72	¥65,00017 条挂单	66.2	32K
RTX PRO 6000D	84	¥68,00017 条挂单	74	32K
RTX PRO 6000 Blackwell	96	¥123,9006 条挂单	81.2	128K
Mac Studio M3 Ultra 512GB	512	¥129,9006 条挂单	36.8	128K
Ryzen AI Max+ 395 128GB	128	—暂无挂单	11.7	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

闲鱼

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	¥880	55	11.6
GeForce RTX 2080 Ti 22GB	22	¥2,600	55	11
Instinct MI50 32GB	32	¥2,725	55	11.3
Radeon RX 6950 XT	16	¥2,999	55	10.1
Radeon RX 7800 XT	16	¥3,100	55	10.3
Tesla V100 32GB	32	¥3,200	55	11.6
Radeon RX 7900 XT	20	¥4,299	55	10.8
GeForce RTX 5060 Ti 16GB	16	¥4,688	55	10.3
Arc Pro B60	24	¥5,275	55	9.2
Radeon RX 7900 XTX	24	¥5,800	55	11.2
Radeon RX 9070 XT	16	¥6,100	55	10.3
GeForce RTX 5070	12	¥6,175	55	11.1
GeForce RTX 4080	16	¥7,750	55	11.2
GeForce RTX 3090	24	¥8,100	55	11.7
Arc Pro B70	32	¥9,850	55	10
GeForce RTX 5070 Ti	16	¥9,899	55	11.6
Radeon AI PRO R9700	32	¥11,050	55	10.3
CMP 170HX 40GB	40	¥11,300	55	12.3
Radeon PRO W7800	32	¥12,400	55	10.1
GeForce RTX 5080	16	¥12,450	55	11.7
RTX PRO 4000 Blackwell	24	¥15,650	55	11.1
Radeon PRO W7900	48	¥22,000	55	11
GeForce RTX 4090	24	¥23,500	55	11.8
GeForce RTX 5090 D V2	24	¥23,900	55	12.1
RTX PRO 4500 Blackwell	32	¥25,850	55	11.6
GeForce RTX 4090 48GB	48	¥26,600	55	11.8
A100 40GB PCIe	40	¥30,950	55	12.3
GeForce RTX 5090 D	32	¥32,900	55	12.4
GeForce RTX 5090	32	¥43,800	55	12.4
RTX PRO 5000 Blackwell 48GB	48	¥46,800	55	12.1
Arc Pro B65	32	—	55	10
GeForce RTX 4080 SUPER 32GB	32	—	55	11.3
Instinct MI100	32	—	55	11.6

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？

CMP 170HX 64GB，64GB 显存，当前中位价约 ¥14,050，预估 71.5 tokens/s。

Llama 4 Scout 17B 16E 能用 Ollama 跑吗？

能，命令是 ollama run llama4:scout。