DE
Gespräch buchen

Lokale KI · Rezept · 4× DGX Spark

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

DeepSeek-V4-Flash-0731 (offizieller Checkpoint) mit vLLM + DSpark auf 4× DGX Spark: 53,5 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von bertholomus

53,5tok/sAlltag

1 Anfrage, Prosa-Prompt (Temperatur 0, Einzellauf), 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, Image-ID sha256:3430d661…), DSpark K5, FlashInfer B12X MoE, CUDA Graphs, TP4 über Dual-Rail-RoCE v2, 8 Sequenzen / 16.384 Batched-Tokens
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
2
Repo-Stand
13. 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)53,5 tok/sProse500 (500-Wörter-Erklärtext, kurzer Prompt), 1 Anfrage, Einzellauf (Publication-Smoke mit scripts/benchmark.py), Temperatur 0, DSpark K5 (Akzeptanz 34,07 %), TTFT 0,18 s; README-Median Single-Stream über 9 Läufe (Prompt-Familie nicht aufgeschlüsselt): 66,08 Quelle 
  • Spitze (Decode)103 tok/sCount300 (Zählen 1–300), 1 Anfrage, Einzellauf (Publication-Smoke), Akzeptanz 98,81 %; 20 Dataclasses 94,55; README: Median-Aggregat bei 8 Anfragen 185,06 (10 Runden 176,16–192,00) Quelle 

Zeit bis zum ersten Token

Kürzer ist besser.

  • Prompt nicht angegeben182 msProse500, warm, kurzer Prompt, 1 Anfrage, Einzellauf (0,1815 s) Quelle 

Was brauche ich

Hardware
4 × NVIDIA DGX Spark (GB10)
Engine
vLLM (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-Tokens
Kontext
1.048.576 Token

Hinweise

Was vor dem Nachbauen wichtig ist.

  • Eigener Kernel nötig
  • tool-calling

Quellen

Verwandte Rezepte

2× DGX Spark

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

von bertholomus

40,1tok/sAlltag

1 Anfrage, Prosa-Prompt (Temperatur 0), 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), DSpark K5, FlashInfer B12X MoE, CUDA Graphs [1, 2, 4, 8], TP2 über RoCE v2Gewichte Repo Stand 4. Aug. 2026

Details
4× DGX Spark

DeepSeek-V4.1-Flash-1017 EXL3 4,0 bpw mit TensorFold auf 4× DGX Spark

von bertholomus

70,9tok/sAlltag

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

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

EXL3 4.0 bpw (4,02 bpw, ~275 GB; eigener Quant)TensorFold native (Zig, TensorFold 1.0.12), BertholomusAI dsv41 family (bertholomus/TensorFold deepseek-v41-zig-tp4 @0a0b69a, recipe v0.3.5) + kernel kit (362 files), TP4 über RoCE, DSpark drafts, CUDA graphsGewichte Repo Stand 24. 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