Chạy Llama 3.3 70B trên GPU VPS RTX 4090: hướng dẫn

Vì sao self-host Llama 70B

Năm 2026 Llama 3.3 70B (Meta release 12/2024) đạt 86% trên MMLU-Pro - gần ngang Claude Sonnet 4.5 trên reasoning task tiếng Anh và mạnh hơn Sonnet trên Vietnamese reasoning sau khi fine-tune. Lý do startup VN chọn self-host:

• Data privacy: y tế, pháp luật, kế toán - không gửi PII ra cloud nước ngoài. Tuân thủ Nghị định 13/2023/NĐ-CP.
• Cost predictable: 1.9M/tháng GPU VPS thay vì hoá đơn API biến động.
• Fine-tune domain: train LoRA trên 50K-500K sample VN, model hiểu jargon nội bộ.
• Offline capability: deploy trên server LAN không cần internet.
• Latency low: từ user VN → server VN ~5ms vs Claude US ~165ms.

Hiểu về VRAM requirement

Llama 3.3 70B có 70 tỷ tham số. Mỗi precision tốn:

RTX 4090 chỉ có 24GB VRAM - Q2_K còn không fit. Cách giải quyết:

1. Layer offloading: load 50% layer lên GPU, 50% trên CPU RAM. llama.cpp tự swap khi inference.
2. KV cache CPU offload: vLLM 0.6+ hỗ trợ offload KV về RAM, tiết kiệm 30% VRAM.
3. Multi-GPU: 2× RTX 4090 = 48GB, fit Q4_K_M full GPU.
4. Speculative decoding: dùng Llama 3.2 3B làm draft model, tăng throughput 2×.

Setup llama.cpp trên RTX 4090

Bước 1: Cài CUDA + build llama.cpp

# Trên GPU VPS Ubuntu 24.04
apt update && apt install -y build-essential cmake git python3.11

# CUDA 12.4 đã cài sẵn trên TND GPU VPS
nvcc --version

# Clone llama.cpp
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp

# Build với CUDA + Flash Attention
cmake -B build -DGGML_CUDA=ON -DGGML_CUDA_FA_ALL_QUANTS=ON \
  -DCMAKE_CUDA_ARCHITECTURES="89"   # 89 = Ada Lovelace cho RTX 4090
cmake --build build -j$(nproc) --config Release

Bước 2: Tải Llama 3.3 70B GGUF

# Q4_K_M 42GB - balance giữa quality và speed
cd models
huggingface-cli download bartowski/Llama-3.3-70B-Instruct-GGUF \
  Llama-3.3-70B-Instruct-Q4_K_M.gguf --local-dir .

# Hoặc Q5_K_M nếu cần quality cao hơn (chậm hơn ~15%)
huggingface-cli download bartowski/Llama-3.3-70B-Instruct-GGUF \
  Llama-3.3-70B-Instruct-Q5_K_M.gguf --local-dir .

Bước 3: Run server

# Layer offload: load 45/81 layer lên GPU (~22GB VRAM), còn lại CPU
./build/bin/llama-server \
  -m models/Llama-3.3-70B-Instruct-Q4_K_M.gguf \
  --n-gpu-layers 45 \
  --ctx-size 8192 \
  --flash-attn \
  --parallel 4 \
  --batch-size 512 \
  --threads 16 \
  --host 0.0.0.0 \
  --port 8080

Test

curl http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "llama-3.3-70b",
    "messages": [{"role": "user", "content": "Giải thích blockchain bằng tiếng Việt"}],
    "max_tokens": 500
  }'

Benchmark thực tế RTX 4090 24GB

Test trên GPU VPS RTX 4090 của TND (Intel Xeon 8358 32 core, 64GB DDR4, NVMe Gen4 1TB):

Sweet spot trên RTX 4090: Q3_K_S full GPU, đạt 52 t/s với quality drop <3% trên benchmark Vietnamese MMLU. Q2_K nhanh hơn nhưng chất lượng kém - chỉ dùng cho task đơn giản.

Setup vLLM cho production cao tải

llama.cpp tốt cho dev/test. Production cần vLLM vì có continuous batching, paged attention, prefix cache:

pip install vllm

# Run vLLM với FP8 quantization (cần Llama 3.3 70B FP8 weights)
python -m vllm.entrypoints.openai.api_server \
  --model neuralmagic/Llama-3.3-70B-Instruct-FP8-dynamic \
  --quantization fp8 \
  --max-model-len 8192 \
  --gpu-memory-utilization 0.92 \
  --max-num-seqs 16 \
  --tensor-parallel-size 1 \
  --enable-prefix-caching \
  --port 8000

# Với 1× RTX 4090: FP8 không fit. Cần 2× RTX 4090 hoặc 1× A6000 48GB

Hoặc nếu bị giới hạn 1 GPU 24GB, dùng AWQ INT4:

python -m vllm.entrypoints.openai.api_server \
  --model casperhansen/llama-3.3-70b-instruct-awq \
  --quantization awq \
  --max-model-len 4096 \
  --max-num-seqs 8 \
  --gpu-memory-utilization 0.95

So sánh self-host vs API

Break-even point: self-host Llama 70B rẻ hơn Claude API khi sử dụng >250M token/tháng. Dưới mức đó, dùng Claude API tiết kiệm hơn. Chi tiết phân tích tại GPU VPS cho AI startup: ROI 2026.

Fine-tune Llama 70B cho tiếng Việt

Llama 3.3 70B chưa tối ưu cho Vietnamese - accuracy MMLU-VN chỉ 64%. Sau fine-tune với 200K instruction VN, tăng lên 76% (gần Claude Haiku 78%).

QLoRA training

# Cần 2× RTX 4090 hoặc A6000 48GB
pip install unsloth transformers peft trl accelerate bitsandbytes

# Train QLoRA rank 32, 3 epoch, batch 4
python finetune.py \
  --model meta-llama/Llama-3.3-70B-Instruct \
  --dataset vietnamese-instruct-200k \
  --quantization 4bit \
  --lora-rank 32 \
  --lora-alpha 64 \
  --learning-rate 2e-4 \
  --num-train-epochs 3 \
  --output ./llama-3.3-70b-vietnamese-lora

Thời gian: ~36 giờ trên A6000 48GB hoặc ~28 giờ trên 2× RTX 4090. Chi phí TND VPS A6000 ~5K/h × 36 = 180K. Output LoRA chỉ ~200MB, merge với base model để serve.

Optimization nâng cao

Flash Attention 2

Đã enable mặc định với --flash-attn. Giảm VRAM 40% cho long context (8K+), tăng tốc 1.4×.

Speculative decoding

Dùng Llama 3.2 3B (draft) + Llama 3.3 70B (verify). Draft sinh 4 token, verify approve/reject. Throughput tăng 1.8-2.2× với cùng quality.

./llama-server \
  -m llama-3.3-70b-q4.gguf \
  --draft-max 4 --draft-min 1 \
  --model-draft llama-3.2-3b-q4.gguf

KV cache quantization

# KV cache Q8 thay vì FP16 - giảm VRAM 50%
--cache-type-k q8_0 --cache-type-v q8_0

Use case business

• Legal Q&A: fine-tune trên 50K văn bản pháp luật VN, serve nội bộ công ty luật.
• Medical triage: phân loại triệu chứng bệnh nhân, không gửi PII ra cloud.
• Code assistant: trên codebase nội bộ enterprise, không leak ra OpenAI.
• Customer support: chatbot 24/7 trên Business Hosting với Llama backend (xem host Claude agent Business Hosting).
• Document analysis: parse PDF hợp đồng VN, extract điều khoản, OCR + LLM.

Khuyến nghị TND: bắt đầu với GPU VPS RTX 4090 (1.9M) chạy Q4_K_M cho POC. Nếu PMF rõ và cần serve >10 concurrent user, nâng cấp A6000 48GB (3.5M) chạy AWQ INT4. Production scale lên dual H100 80GB cho FP8 full quality.

Monitoring trong production

# Metrics quan trọng
- TTFT (Time to First Token): < 500ms p95
- TPS (Tokens per Second): > 25 cho 70B
- VRAM utilization: 85-92% (đừng để OOM)
- GPU temperature: < 85°C
- KV cache hit rate: > 30% (với prefix cache)

# Setup Prometheus + Grafana
docker run -d --gpus all -p 9400:9400 nvidia/dcgm-exporter
docker run -d -p 9090:9090 prom/prometheus
docker run -d -p 3000:3000 grafana/grafana

FAQ

Q: Llama 3.3 70B có dùng thương mại được không?

Có. Meta Llama 3 license cho phép thương mại, chỉ giới hạn nếu service có >700M MAU (Meta-class scale).

Q: Tại sao không dùng Mixtral 8x22B?

Mixtral 141B params nhưng chỉ activate 39B/inference. Quality tương đương Llama 70B nhưng cần 88GB VRAM cho Q4 - không fit 1 RTX 4090.

Q: Multi-GPU NVLink có giúp không?

RTX 4090 consumer không có NVLink. Tensor parallel qua PCIe 4.0 16x đủ nhanh cho 2× RTX 4090, đạt ~75% efficiency.