DE
Gespräch buchen

Lokale KI · Rezept · 2× DGX Spark

DeepSeek-V4-Flash-0731 (offizieller Checkpoint) mit vLLM + DSpark auf 2× DGX Spark

DeepSeek-V4-Flash-0731 (offizieller Checkpoint) mit vLLM + DSpark auf 2× DGX Spark: 40,1 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von bertholomus

40,1tok/sAlltag

1 Anfrage, Prosa-Prompt (Temperatur 0), mit DSpark (laut Rezept)

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis34mit Denken
Anleitung im README Repo

Engine

Engine
vLLM (Image ghcr.io/anemll/dspark-vllm-gx10:0.1.1), DSpark K5, FlashInfer B12X MoE, CUDA Graphs [1, 2, 4, 8], TP2 über RoCE v2
Quantisierung
offizieller Checkpoint (Revision 9e165c30), KV-Cache nvfp4_ds_mla
Modellfamilie
DeepSeek-V4-Flash-0731
Kontext
1.048.576
Parameter
~304B MoE (HF-API safetensors total: 304.180.418.494)
Kreator
bertholomus
GitHub-Sterne
0
Repo-Stand
4. Aug. 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)40,1 tok/sProse500 (500-Wörter-Erklärtext, kurzer Prompt), Median aus 3 warmen Läufen, Temperatur 0, DSpark K5 (Akzeptanz 32,10 %), TTFT 0,235 s; gemessen im initialen Graph-8-Qualifikationsprofil vor der Headroom-Härtung (damals GPU-Util 0,80 / 8.192 Batched-Tokens); empfohlenes Default-Profil: 2 Anfragen je 47,74 tok/s Quelle 
  • Spitze (Decode)91,9 tok/sCount300 (Zählen 1–300, gebundene Ausgabe), Median aus 3, DSpark-Akzeptanz 98,81 %; 20 Python-Dataclasses: 84,43; Aggregat bei 2 Anfragen (Default-Profil): 95,48 Quelle 

Zeit bis zum ersten Token

Kürzer ist besser.

  • Prompt nicht angegeben235 msProse500, warm, kurzer Prompt, 1 Anfrage, Median aus 3 (0,235 s) Quelle 

Was brauche ich

Hardware
2 × NVIDIA DGX Spark (GB10)
Engine
vLLM (Image ghcr.io/anemll/dspark-vllm-gx10:0.1.1), DSpark K5, FlashInfer B12X MoE, CUDA Graphs [1, 2, 4, 8], TP2 über RoCE v2
Kontext
1.048.576 Token

Hinweise

Was vor dem Nachbauen wichtig ist.

  • Eigener Kernel nötig
  • tool-calling

Quellen

Verwandte Rezepte

4× DGX Spark

DeepSeek-V4-Flash-0731 (offizieller Checkpoint) mit vLLM + DSpark auf 4× DGX Spark

von bertholomus

53,5tok/sAlltag

1 Anfrage, Prosa-Prompt (Temperatur 0, Einzellauf), mit DSpark (laut Rezept) Quelle 

Intelligenz34mit Denken
  • Eigener Kernel nötig

offizieller Checkpoint (Revision 9e165c30), KV-Cache nvfp4_ds_mlavLLM (Image ghcr.io/anemll/dspark-vllm-gx10:0.1.1, Image-ID sha256:3430d661…), DSpark K5, FlashInfer B12X MoE, CUDA Graphs, TP4 über Dual-Rail-RoCE v2, 8 Sequenzen / 16.384 Batched-TokensGewichte Repo Stand 13. Aug. 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