DE
Gespräch buchen

Lokale KI · Rezept · 1× DGX Spark

GLM-5.3-Flash 320B-A18B EXL3 2.0 bpw mit vLLM auf 1× DGX Spark

von 0xSero

18,9tok/sSpitze

1 Anfrage, Bestwert der Quelle, Kontext 4k

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis42mit DenkenWert des Originalmodells. Stark komprimiert (~2 Bit), Intelligenz dürfte deutlich niedriger liegen.

≤ 3 bit: Quantisierung kann Qualität kosten

Anleitung im README Repo

Engine

Engine
vLLM
Quantisierung
EXL3 K2 2.0 bpw (codebook mcg) routed experts, fp8_ds_mla KV
Modellfamilie
GLM-5.3-Flash
Kontext
262.144
Parameter
320B MoE / 18B active (A18B), 288 routed experts
Kreator
0xSero
GitHub-Sterne
8
Repo-Stand
25. Sept. 2026

Messwerte

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

Für dieses Rezept sind keine Messwerte mit Quelle belegt.

Was brauche ich

Hardware
1 × NVIDIA DGX Spark (GB10)
Engine
vLLM
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.
  • Fork der Laufzeit
  • Eigener Kernel nötig

Quellen

Verwandte Rezepte

1× DGX Spark

GLM-5.3-Flash EXL3 2.25 bpw mit vLLM auf 1× DGX Spark

von r0b0tlab

19,5tok/sAlltag

1 Anfrage, Prosa-Prompt, mit DFlash2 (laut Rezept) Quelle 

Intelligenz42mit DenkenWert des Originalmodells. Stark komprimiert (~2,3 Bit), Intelligenz dürfte deutlich niedriger liegen.
  • ≤ 3 bit: Quantisierung kann Qualität kosten
  • Experimentell
  • Eigener Kernel nötig
  • Nicht kommerziell

EXL3 2.25 bpw (Drafter EXL3 3.00 bpw)vLLM v0.30.0rc1 @ a00a3544b93eGewichte Repo Stand 25. Sept. 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