Lokale KI · Rezept · 2× RTX 5090

Agents-A1 35B FP8 mit vLLM auf 2× RTX 5090

Agents-A1 35B FP8 mit vLLM auf 2× RTX 5090: 218 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

218tok/sAlltag

1 Anfrage, Prosa-Prompt, ohne Spekulation

Intelligenz (Originalmodell) · Artificial Analysiskein unabhängiger Wert

Engine: vLLM v0.24.0 (Messung 2026-07-04)
Quantisierung: FP8-dynamic compressed-tensors, weight-only Marlin-Dequant (Workaround #548)
Modellfamilie: Agents-A1
Kontext: 262.144
Parameter: 35B MoE / 3B aktiv
Kreator: noonghunna
GitHub-Sterne: 2.471
Repo-Stand: 2. Nov. 2026

Messwerte

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

Alltag (Decode)218 tok/sKanonischer bench.sh: Narrativ = 800-Wort-Essay (max_tokens 1000), Code = Quicksort (max_tokens 800), T=0.6, 3 Warmups + 5 Läufe, mean wall TPS; wall, decode 220.21, n=5, CV 0.0%, TTFT 49 ms Quelle
Spitze (Decode)218 tok/sKanonischer bench.sh: Narrativ = 800-Wort-Essay (max_tokens 1000), Code = Quicksort (max_tokens 800), T=0.6, 3 Warmups + 5 Läufe, mean wall TPS; wall, decode 220.21, n=5, CV 0.0%, TTFT 49 ms Quelle

Im Workshop klären wir, welche Modelle und welche Hardware zu Ihren Aufgaben passen, und bauen den ersten Agenten auf Ihrer Infrastruktur.