Faire tourner Kimi K3 sur GB300 NVL72
Kimi K3 compte 2800 milliards de paramètres. GB300 NVL72 offre 20 700 Go de mémoire HBM3e, baie 72. Cette page confronte les deux.
Quelle mémoire Kimi K3 demande-t-il ?
Les poids occupent le nombre de paramètres multiplié par la taille du format, plus une marge d’exécution de 15 % pour les activations et les tampons. En FP16, le calcul s’écrit : 2 800 milliards de paramètres × 2 octets (FP16) = 5 600,0 Go de poids ; × 1,15 de marge d’exécution = 6 440,0 Go. Le cache d’attention s’ajoute par-dessus : il croît avec la longueur du contexte et avec le nombre de requêtes simultanées, donc il se dimensionne au cas par cas.
| Format | Poids en mémoire | Sur cette machine | Ce que le format coûte |
|---|---|---|---|
| FP16 | 6 440 Go | tient | pleine précision, référence de qualité |
| FP8 | 3 220 Go | tient | perte négligeable sur la plupart des tâches |
| NVFP4 | 1 610 Go | tient | format Blackwell, calcul FP4 natif |
| Q4 | 1 932 Go | tient | quantification par blocs, large support |
Fiche du modèle : 2 800 milliards de paramètres, 104 milliards actifs par token, contexte de 1 048 576 tokens, licence Kimi K3. 2,8 billions annoncés, 16 experts activés sur 896 ; le dépôt compte 2 780 milliards d’éléments, publiés en MXFP4 (1 561 Go).
Kimi K3 active 104 milliards de paramètres par token sur 2800 au total. Ces paramètres actifs gouvernent la vitesse, pas l’empreinte : tous les experts restent chargés en mémoire. Confondre les deux conduit à sous-dimensionner la machine d’un ordre de grandeur.
Que reste-t-il pour servir des requêtes ?
Kimi K3 tient largement sur GB300 NVL72. En FP16, ses poids occupent environ 6 440 Go sur les 20 700 Go disponibles, soit 14 260 Go laissés au cache d’attention et à la concurrence. La marge disponible décide du nombre de requêtes simultanées et de la longueur de contexte tenable. Par convention QDNA, une machine « tient » quand les poids occupent au plus 75 % de sa mémoire ; au-delà, elle « tient tout juste » et contraint à limiter le contexte ou la concurrence. Le cache d’attention n’est pas calculé sur cette page. Les architectures de ces modèles (attention latente compressée, linéaire ou creuse, couches Mamba) n’ont pas de formule commune par token ; il se mesure sur la machine, avec le contexte et la concurrence visés [À MESURER].
GB300 NVL72 : prix sur devis. NVIDIA ne publie pas de tarif ; les estimations d’analystes vont de 3,7 à 6,5 M$ la baie (Loop Capital, Tom’s Hardware, rapportées par Spheron le 16 août 2026). La machine vise le segment GE.
Où faire tourner Kimi K3 autrement ?
Voir aussi la fiche Kimi K3 et la fiche GB300 NVL72.
Quelle mémoire faut-il pour Kimi K3 ?
En FP16, les poids occupent environ 6 440 Go, marge d’exécution comprise. Le cache d’attention s’ajoute et dépend du contexte.
Kimi K3 tient-il sur GB300 NVL72 ?
Kimi K3 tient largement sur GB300 NVL72. En FP16, ses poids occupent environ 6 440 Go sur les 20 700 Go disponibles, soit 14 260 Go laissés au cache d’attention et à la concurrence.
Méthode et sources
L’empreinte est calculée, elle n’est pas mesurée : un relevé sur machine peut s’en écarter selon le moteur et le format exact des poids. Chaque valeur ci-dessous porte sa source et la date de son dernier contrôle.
- Kimi K3 : 2 800 milliards de paramètres, 104 milliards actifs, contexte de 1 048 576 tokens, licence Kimi K3. Dépôt Hugging Face (config.json, API, carte), vérifié le 2 septembre 2026. 2,8 billions annoncés, 16 experts activés sur 896 ; le dépôt compte 2 780 milliards d’éléments, publiés en MXFP4 (1 561 Go).
- GB300 NVL72 : 20 700 Go de mémoire HBM3e, baie 72 ; 72 GPU Blackwell Ultra et 36 CPU Grace, 20 To de mémoire GPU selon NVIDIA (72 × 288 Go = 20 736 Go), 37 To de mémoire rapide, NVLink 130 To/s, 1 440 PFLOPS FP4 avec sparsité (1 080 en dense) ; consommation non publiée. Fiche constructeur vérifiée le 2 septembre 2026.
- Prix GB300 NVL72 : sur devis. NVIDIA ne publie pas de tarif ; les estimations d’analystes vont de 3,7 à 6,5 M$ la baie (Loop Capital, Tom’s Hardware, rapportées par Spheron le 16 août 2026).
- Octets par paramètre : FP16 2 (16 bits par paramètre, soit 2 octets) ; FP8 1 (8 bits par paramètre (E4M3), soit 1 octet, échelles par bloc non comptées) ; NVFP4 0,5 (4 bits par paramètre, soit 0,5 octet ; les poids publiés en 4 bits pèsent 0,54 à 0,56 octet par paramètre avec leurs échelles (DeepSeek V4 Pro 865 Go pour 1 599 milliards, Kimi K3 1 561 Go pour 2 780 milliards)) ; Q4 0,6 (entendu ici comme Q4_K_M de llama.cpp, 0,6 octet par paramètre échelles comprises ; Q4_K_S pèse 0,56, AWQ et GPTQ 0,55). Source : connaissance/faits.yaml, famille quantifications, vérifiée le 2026-08-31.
- Marge d’exécution × 1,15 : hypothèse d’exploitation QDNA, non mesurée : 15 % au-dessus des poids pour les activations, les tampons et la fragmentation.
- Seuil « tient » à 75 % de la mémoire : hypothèse QDNA, non mesurée, qui réserve le quart restant au cache d’attention et à la concurrence.