DE
Gespräch buchen

Lokale KI · Rezept · 2× DGX Spark

Beam-1.0-501B-A23B EXL3 3 bpw mit vLLM auf 2× DGX Spark

Beam-1.0-501B-A23B EXL3 3 bpw mit vLLM auf 2× DGX Spark: 28,3 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von bertholomus

28,3tok/sAlltag

1 Anfrage, Prosa-Prompt (~2K), mit DFlash2 (laut Rezept)

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysiskein unabhängiger Wert

≤ 3 bit: Quantisierung kann Qualität kosten

Anleitung im README Repo

Engine

Engine
vLLM TP2 (image beam-exl3-gb10 via gb10/build-image.sh: Reflection arm64 Beam vLLM image + vllm-exl3 d3cfd394 with Diffbot Beam patch, ExLlamaV3 5be88657 for sm_121, kernels xmoe_dense/xmoe_do8/x8rh/f8rh), DFlash2 drafter (3 draft tokens)
Quantisierung
EXL3 3 bpw (routed experts 3 bit, attention/dense MLPs 6 bit, embedding/norms/router/lm_head BF16; ~90 GiB per node)
Modellfamilie
Beam-1.0-501B-A23B
Kontext
655.360
Parameter
501B MoE / 23B aktiv
Kreator
bertholomus
GitHub-Sterne
8
Repo-Stand
29. 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)28,3 tok/sKontext ~2K tok · VLLM-Spalte der Vergleichstabelle (gb10-Lane mit ausgelieferten Defaults, 655K-Fenster), 1 Stream, Prosa ~2K, T=0, Median aus 3 Läufen, DFlash2; eigene vLLM-Tabelle (400K-Fenster): 28.9 tok/s [28.1-30.2] Quelle 
  • Spitze (Decode)33,4 tok/sKontext ~2K tok · VLLM-Spalte, Decode, 1 stream, code ~2K, Median aus 3 Läufen, DFlash2; 4 Streams Aggregat 61.0 tok/s Quelle 

Prefill je Kontext

  • ~46K tok1.362 tok/sVLLM-Spalte, cold prefill, prose ~46K, frische Prompts (kein Prefix-Cache-Treffer), Median aus 3 Läufen Quelle 

Zeit bis zum ersten Token

Kürzer ist besser.

  • Prompt nicht angegeben440 msVLLM-Spalte, short chat, first token, idle server (0.44 s) Quelle 

Was brauche ich

Hardware
2 × NVIDIA DGX Spark (GB10)
Engine
vLLM TP2 (image beam-exl3-gb10 via gb10/build-image.sh: Reflection arm64 Beam vLLM image + vllm-exl3 d3cfd394 with Diffbot Beam patch, ExLlamaV3 5be88657 for sm_121, kernels xmoe_dense/xmoe_do8/x8rh/f8rh), DFlash2 drafter (3 draft tokens)
Kontext
655.360 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
  • tool-calling

Quellen

Verwandte Rezepte

2× DGX Spark

Beam-1.0-501B-A23B EXL3 3 bpw mit TensorFold auf 2× DGX Spark

von bertholomus

30,6tok/sAlltag

1 Anfrage, Prosa-Prompt (~2K), mit DFlash2 (laut Rezept) Quelle 

Intelligenzkein unabhängiger Wert
  • ≤ 3 bit: Quantisierung kann Qualität kosten
  • Eigener Kernel nötig

EXL3 3 bpw (routed experts 3 bit, attention/dense MLPs 6 bit, embedding/norms/router/lm_head BF16; ~90 GiB per node)TensorFold (bertholomus fork, branch beam-1.0-tp2 @ d00201b4), image nvcr.io/nvidia/pytorch:26.07-py3, TP2 over 200 Gb/s RoCE, DFlash2 drafter (5 draft tokens, adaptive 3-5)Gewichte Repo Stand 29. Okt. 2026

Details
2× DGX Spark

Qwen3.8-Flash-Next 125B INT4-AutoRound mit TensorFold auf 2× DGX Spark (1M Kontext)

von MiaAI-Lab

89,3tok/sAlltag

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

Intelligenzkein unabhängiger Wert
  • Eigener Kernel nötig
  • Lizenz ungeklärt

INT4-AutoRound (GPTQ int4, Top-5-Experten) + FP8 n-gram-Tabelle, FP8 KVTensorFold tensorfold-native (Zig, zig-flashnext db281878 + patches), Image ghcr.io/miaai-lab/qwen3.8-flash-dual-dgx-sparks-tensorfold:zig-db28187-f3e1300f4f62, TP=2 über CX7/RoCE, MTP + Copy-Drafts (QUANT=int4ar)Gewichte Repo Stand 26. Okt. 2026

Details
2× DGX Spark

Qwen3.8-Flash-Next INT4-AutoRound (v5.2) mit vLLM auf 2× DGX Spark

von myllmbox

74tok/sAlltag

1 Anfrage, Prosa-Prompt (lange Story), Thinking off, mit MTP Quelle 

Intelligenz40mit Denken
  • Eigener Kernel nötig
  • Lizenz ungeklärt

INT4-AutoRound (azampatti): int4-Experten, fp8-Seitenschichten; n-gram-Tabelle beim Laden fp8 → NVFP4, halb pro Box auf der GPU; KV-Pin 29G/Box (1.829.182 Tokens)vLLM 0.30 (Image myllmbox/qwen38-flash-next-cluster-vllm:v5.2; RecoverSSM, dynamischer Draft-Depth 3–7 in Full-CUDA-Graphs, sampled Drafts + Block-Verifikation, One-Shot-RoCE-All-Reduce, Dual-Rail, TP=2, 64 Seats) — Kit v5.2Gewichte Repo Stand 29. Okt. 2026

Details
2× DGX Spark

Qwen3.8-Flash-Next NVFP4/MXFP8 CSF mit SparkRing auf 2× DGX Spark

von fujitsupolycom

68tok/sAlltag

1 Anfrage, Generierung bei 32K Kontext (Speed-Tabelle, Paar), Thinking on, xhigh, mit MTP3 (laut Rezept) Quelle 

Intelligenz40mit Denken
  • Eigener Kernel nötig
  • Lizenz ungeklärt

NVFP4/MXFP8 CSF QAD (Local Inference Lab)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

Qwen3.8-Flash-Next 125B NVFP4 mit TensorFold auf 2× DGX Spark (1M Kontext)

von MiaAI-Lab

67,4tok/sAlltag

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

Intelligenz40mit Denken
  • Eigener Kernel nötig
  • Lizenz ungeklärt

NVFP4 (nvidia, Experten) + FP8 n-gram/MTP, FP8 KVTensorFold tensorfold-native (Zig, zig-flashnext db281878 + patches), Image ghcr.io/miaai-lab/qwen3.8-flash-dual-dgx-sparks-tensorfold:zig-db28187-f3e1300f4f62, TP=2 über CX7/RoCE, MTP + Copy-DraftsGewichte Repo Stand 26. 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
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