DE
Gespräch buchen

Lokale KI · Rezept · 4× RTX PRO 6000

DeepSeek-V4.1-Flash 284B MXFP4 mit SGLang auf 4× RTX PRO 6000

DeepSeek-V4.1-Flash 284B MXFP4 mit SGLang auf 4× RTX PRO 6000: 73,1 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von ambientlight

73,1tok/sAlltag

1 Anfrage, Prosa-Prompt, Kontext 32788, mit DSPARK

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis40mit Denkenohne Denken 25
Anleitung im README Repo

Engine

Engine
SGLang
Quantisierung
nativ: MXFP4-Experten + FP8 (offizielle Gewichte), FP8-KV
Modellfamilie
DeepSeek-V4.1-Flash
Kontext
524.288
Parameter
284B MoE
Kreator
ambientlight
GitHub-Sterne
5
Repo-Stand
1. Nov. 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)73,1 tok/sKontext 32K · Actual input 32,788 / output 6,091; (completion_tokens-1)/decode_latency; Thinking off, temp 1.0; DSPARK accept len 2.484 Quelle 
  • Spitze (Decode)97,9 tok/sKontext 121K · Echtverkehr L16 (Sep 20–25, 111 h, 70,477 Generationen; Claude Code/Codex/Agent-Evals): Mean per-request decode; durchschnittlicher Prompt 123,903 Token, 97.82 % Cache-Hit – keine kontrollierte Messung Quelle 

Prefill je Kontext

  • 195.6K4.338 tok/sEffective prefill; first output 46.17 s Quelle 

Was brauche ich

Hardware
4 × NVIDIA RTX PRO 6000 Blackwell
Engine
SGLang
Kontext
524.288 Token

Quellen

Verwandte Rezepte

8× DGX Spark

DeepSeek-V4.1-Flash FP8/MXFP4 mit SparkRing auf 8× DGX Spark

von fujitsupolycom

74tok/sAlltag

1 Anfrage, Generierung bei 32K Kontext (Speed-Tabelle, Ring aus acht), Thinking on, high, mit DSpark (laut Rezept); experimentelles Profil Quelle 

Intelligenz40mit Denkenohne Denken 25
  • Eigener Kernel nötig
  • Experimentell

Stock-Checkpoint FP8/MXFP4 (DeepSeek)vLLM (local-inference-lab Fork) via SparkRing (SIRCL-Collectives, switchless RDMA ueber ConnectX-7), Image Release 2026.10.2Gewichte Repo Stand 2. Nov. 2026

Details
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

← 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
Cookies

Mit Ihrer Einwilligung nutzen wir Google Analytics (Google, USA) und unsere eigene Reichweitenmessung, um zu verstehen, wie unsere Website genutzt wird. Technisch notwendige Speicherungen, etwa Ihre Cookie-Auswahl, erfolgen ohne Einwilligung. Ihre Wahl können Sie jederzeit über „Cookie-Einstellungen“ im Footer ändern. Datenschutzerklärung · Cookie-Richtlinie