DE
Gespräch buchen

Lokale KI · Rezept · 2× DGX Spark

DeepSeek-V4.1-Flash EXL3 2.77 bpw mit vLLM auf 2× DGX Spark

DeepSeek-V4.1-Flash EXL3 2.77 bpw mit vLLM auf 2× DGX Spark: ~29 tok/s laut github.com (Datensatz-Stand: 29. Sept. 2026).

von 0xSero

~29tok/sAlltagungefähr · Methodik nicht angegeben

1 Anfrage, Prosa-Prompt, mit DSpark (7 Draft-Token) (laut Rezept)

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis40mit Denkenohne Denken 25

≤ 3 bit: Quantisierung kann Qualität kosten

Anleitung im README Repo

Engine

Engine
vLLM-Fork (EXL3-MoE + B12X-Kernel) ghcr.io/0xsero/deepseek-v4.1-flash-spark@sha256:5668e35e
Quantisierung
EXL3 MUL1 2.77 bpw routed experts (K2/K3/K5-Mix), Rest upstream unverändert; FP8 KV
Modellfamilie
DeepSeek-V4.1-Flash
Kontext
262.144
Kreator
0xSero
GitHub-Sterne
90
Repo-Stand
3. Okt. 2026

Messwerte

Alle belegten Werte dieses Rezepts, je mit Bedingung und Quelle. Balken im Verhältnis zum größten Wert der Gruppe.

Decode · 1 Anfrage

  • Alltag (Decode)29 tok/sProse decode, 1 stream, „~29“; TP2 über RoCE, natürliches Stop ohne Output-Cap; gemessen mit historischem Image 5668e35e + voller Upstream-Checkpoint mit separaten Expert-Banks (nicht als Ergebnis des kompakten Public-Checkpoints/CI-Image ausgewiesen) Quelle 

Decode · parallele Anfragen

Summe über alle Streams ist markiert; pro Anfrage ist es entsprechend weniger.

  • Summe über 2 Streams60 tok/sSpitze (Decode) · Code decode, 2 streams aggregate; Code 1 stream ~39–41 tok/s Quelle 

Prefill je Kontext

Was brauche ich

Hardware
2 × NVIDIA DGX Spark (GB10)
Engine
vLLM-Fork (EXL3-MoE + B12X-Kernel) ghcr.io/0xsero/deepseek-v4.1-flash-spark@sha256:5668e35e
Kontext
262.144 Token

Hinweise

Was vor dem Nachbauen wichtig ist.

  • ≤ 3 bit: Quantisierung kann Qualität kostenBei 3 bit und weniger kann das Modell spürbar schlechter antworten als das Original. Die Intelligenz-Zahl gilt für das Original.
  • Eigener Kernel nötig
  • vision
  • tool-calling

Quellen

Verwandte Rezepte

2× DGX Spark

DeepSeek-V4.1-Flash EXL3 2.0 bpw mit vLLM auf 2× DGX Spark

von sfxnz

42,6tok/sAlltag

1 Anfrage, Prosa-Prompt, mit DSpark (laut Rezept) Quelle 

Intelligenz40mit Denkenohne Denken 25Wert des Originalmodells. Stark komprimiert (~2 Bit), Intelligenz dürfte deutlich niedriger liegen.
  • ≤ 3 bit: Quantisierung kann Qualität kosten
  • Experimentell
  • Eigener Kernel nötig

EXL3 2.0 bpw MCG (routed experts, tail-biting Viterbi re-encoded, scale refit), lm_head MXFP8, KV fp8 (8-GiB-Pin), DSpark-3vLLMGewichte Repo Stand 27. Sept. 2026

Details
2× DGX Spark

DeepSeek-V4.1-Flash EXL3 2.0 bpw mit TensorFold auf 2× DGX Spark

von sfxnz

41,2tok/sAlltag

1 Anfrage, Prosa-Prompt (512 Tokens), mit DSpark (laut Rezept) Quelle 

Intelligenz40mit Denkenohne Denken 25Wert des Originalmodells. Stark komprimiert (~2 Bit), Intelligenz dürfte deutlich niedriger liegen.
  • ≤ 3 bit: Quantisierung kann Qualität kosten
  • Eigener Kernel nötig

EXL3 2.0 bpw MCG (routed experts, Branch 2.0bpw-mcg-viterbi-lmhead-mxfp8 @982b704), Rest FP8 (32x32-Blockscales), lm_head MXFP8, DSpark-Draft MXFP4TensorFold Fork sfxnz/TensorFold dsv41-recipe-engine4 @b86514a (v0.6.4 + deepseek_v41-Familie), TP=2, --parallel 4Gewichte Repo Stand 8. Okt. 2026

Details

← Zur Übersicht

Lokale KI im eigenen Unternehmen?

Im Workshop klären wir, welche Modelle und welche Hardware zu Ihren Aufgaben passen, und bauen den ersten Agenten auf Ihrer Infrastruktur.

Zum KI-WorkshopZur Übersicht