开源权重可下已被替代限制许可 · Llama 2 Community License
Llama 2 70B
Llama 2 · 70B · Meta · 发布 2023-07-18 · 已被替代 → Llama 3.1 405B
2023 年开源浪潮的起点，首个可商用的 70B 级开放权重。
参数
70B
DENSE
上下文
4K
价格 / 1M tok
自建
无官方 API
最低可跑
2× RTX 3090
Q4_K_M · 46 GB · ≈24 tok/s
Arena Elo—
AA 综合指数—
代码—
GPQA 推理—
架构简图
- 类型
- Dense
- 注意力
- GQA（64 Q 头 / 8 KV 头）
- 层数
- 80
- 隐藏维
- 8192
- 词表
- 32,000
2023 年开源社区的基石模型；词表仅 32K，中文效率低；上下文 4K。
完善中
| 精度 | 权重大小 | 说明 |
|---|---|---|
| BF16 | 138 GB | 官方精度 |
| FP8 | — | 暂无 |
| Q8 | 73 GB | |
| Q4 | 41 GB | GGUF Q4_K_M 或等效 |
- 消费级 24GB
- Q4_K_M 41.4 GB 装不下，需两张 24GB 卡或 Q2 级量化
- 单卡 80GB
- Q4 单卡 80GB 可跑；BF16 需 2×80GB
- 8×80GB 节点
- BF16 高并发服务
KV Cache：8×128×2×80×2 B = 320 KiB/token；4K 上下文约 1.3 GB。 ≈ 320 KiB/token
⚠ 能加载 ≠ 能在满上下文 / 高并发下舒服跑。标「估」的数字来自 计算器 公式或社区量化文件大小。
完善中
硬件配置与预估吞吐
最低可跑（8K 上下文）
2 × RTX 3090 24GB
二手 ≈¥5,000 × 2 · 合计 ≈¥10,000 · 消费级
量化
Q4_K_M
解码
24 tok/s
最大上下文
13K
推荐配置（≥Q8 · 32K 上下文 · ≥15 tok/s）
4 × RTX 3090 24GB
二手 ≈¥5,000 × 4 · 合计 ≈¥20,000 · 消费级
量化
FP8
解码
28 tok/s
最大上下文
142K
| 配置 | 量化 | 占用 / 显存 | 解码 tok/s | 预填充 tok/s | 最大上下文 |
|---|---|---|---|---|---|
| 2× RTX 3090 24GB消费级 | Q4_K_M | 46 GB / 48 GB | 24 | 463 | 13K |
| 2× RTX 4090 24GB消费级 | Q4_K_M | 46 GB / 48 GB | 26 | 1076 | 13K |
| 2× RTX 5090 32GB消费级 | Q6_K估 | 60 GB / 64 GB | 34 | 1370 | 20K |
| 2× L4 24GB工作站 | Q4_K_M | 46 GB / 48 GB | 7.7 | 391 | 13K |
| RTX A6000 48GB工作站 | Q4_K_M | 45 GB / 48 GB | 12 | 251 | 17K |
| RTX 6000 Ada 48GB工作站 | Q4_K_M | 45 GB / 48 GB | 15 | 297 | 17K |
| L40S 48GB工作站 | Q4_K_M | 45 GB / 48 GB | 13 | 297 | 17K |
| RTX PRO 6000 Blackwell 96GB工作站 | FP8估 | 71 GB / 96 GB | 17 | 815 | 165K |
| 2× A10 24GB数据中心 | Q4_K_M | 46 GB / 48 GB | 15 | 404 | 13K |
| 2× A100 40GB数据中心 | FP8估 | 73 GB / 80 GB | 24 | 2035 | 55K |
| A100 80GB数据中心 | FP8估 | 71 GB / 80 GB | 19 | 1017 | 63K |
| H20 96GB数据中心 | FP8估 | 71 GB / 96 GB | 37 | 241 | 165K |
| 昇腾 Ascend 910B 64GB数据中心 | Q6_K估 | 59 GB / 64 GB | 18 | 913 | 24K |
| H100 80GB PCIe数据中心 | FP8估 | 71 GB / 80 GB | 18 | 2465 | 63K |
| H100 80GB SXM数据中心 | FP8估 | 71 GB / 80 GB | 31 | 3225 | 63K |
| AMD MI300X 192GB数据中心 | BF16 | 142 GB / 192 GB | 24 | 4262 | 169K |
| H200 141GB数据中心 | FP8估 | 71 GB / 141 GB | 44 | 3225 | 453K |
| B200 192GB数据中心 | BF16 | 142 GB / 192 GB | 37 | 7337 | 169K |
| Mac M4 Pro 64GB统一内存 | Q5_K_M估 | 51 GB / 56 GB | 2.7 | 55 | 23K |
| DGX Spark 128GB统一内存 | FP8估 | 71 GB / 120 GB | 1.9 | 202 | 319K |
| Mac M4 Max 128GB统一内存 | FP8估 | 71 GB / 120 GB | 3.9 | 111 | 319K |
| Mac Studio M3 Ultra 256GB统一内存 | BF16 | 142 GB / 240 GB | 2.9 | 186 | 323K |
| Mac Studio M3 Ultra 512GB统一内存 | BF16 | 142 GB / 490 GB | 2.9 | 186 | 1.1M |
单流（batch=1）估算：解码 ≈ 显存带宽 × 效率 ÷ 每 token 读取字节（激活参数 × 量化位宽 + KV）；预填充 ≈ FP16 算力 × 0.45 ÷ (2 × 激活参数)。多卡按张量并行、带宽求和 × 0.55。实际受引擎、驱动、PCIe 影响，误差 ±30%。反向查：我的卡能跑谁 →
可用维度不足 3 个，不绘制雷达图
知识MMLU 68.9%（官方论文，基座）。
中文中文弱，词表几乎无中文 token。
逻辑能力
无推理链训练，逻辑与数学在今天看属入门水平（当年 GSM8K 56.8%）。多步推理容易失败，主要价值为历史坐标与微调底座。
亮点
- 1.首个允许商用的主流 70B 开放权重，催生海量微调衍生
- 2.GQA + RLHF 对话版，当年开源对话质量标杆
- 3.llama.cpp / vLLM 等生态几乎围绕它建立
坑
- 1.上下文仅 4K，词表 32K，中文分词效率极低
- 2.能力已被后续每一代 8B 级模型全面超越
- 3.许可禁止月活 7 亿以上企业使用，且不许用其输出训练他模
适合：历史对照 / 学术复现 · 旧有微调流水线
不适合：任何新项目 · 中文任务
暂无带来源的分数。
更新 2026-08-28 · 排名供选型参考，基准会饱和、会泄漏、会过时。