Lokale KI · Rezept · 1× Mac

GLM-5.3-Flash 320B-A18B Q4_K mit mlx-serve (ds4) auf 1× Mac (M5 Ultra)

GLM-5.3-Flash 320B-A18B Q4_K mit mlx-serve (ds4) auf 1× Mac (M5 Ultra): 35,8 tok/s laut github.com (Datensatz-Stand: 29. Sept. 2026).

von drowzeys

35,8tok/sAlltag

1 Anfrage, llmprobe-Standardprompt, Thinking an, mit eingebettetem MTP (2 Draft-Token) (laut Rezept)

Quelle: github.com

Intelligenz (Originalmodell) · Artificial Analysis42mit Denken

Anleitung im README Repo

Engine: mlx-serve 26.9.7-dev @933566c + ds4 9139e2a (GGUF-Backend)
Quantisierung: GGUF Q4_K (antirez, 177.8 GiB), kompakter DSA-KV
Modellfamilie: GLM-5.3-Flash
Kontext: 262.144
Parameter: 320B MoE / 18B active
Kreator: drowzeys
GitHub-Sterne: 0
Repo-Stand: 30. Sept. 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)35,8 tok/sLlmprobe 0.6.13, greedy, Median aus 3 (35.6–37.5), 192 Token Quelle
Spitze (Decode)41 tok/sVorhersagbarer Prompt (Spekulation, 1.96 tok/step) Quelle

Prefill je Kontext

9.4K439 tok/s Quelle

Zeit bis zum ersten Token

Kürzer ist besser.

Prompt nicht angegeben427 msKontext kurz Quelle

Was brauche ich

Hardware: 1 × Mac / Apple Silicon
Gewichte: Hauptgewichtantirez/glm-5.3-flash-gguf Lizenz ungeklärt
Basiszai-org/GLM-5.3-Flash MIT
Engine: mlx-serve 26.9.7-dev @933566c + ds4 9139e2a (GGUF-Backend)
Kontext: 262.144 Token

Hinweise

Was vor dem Nachbauen wichtig ist.

Experimentell
Keine Lizenz auf HF
Lizenz ungeklärt

Quellen

Verwandte Rezepte

4× DGX Spark

GLM-5.3-Flash NVFP4 mit SparkRing auf 4× DGX Spark

von fujitsupolycom

62,1tok/sAlltag

1 Anfrage, Decode bei 16K Kontext (Profil-Tabelle), Thinking immer an, max Quelle

Intelligenz42mit Denken

Eigener Kernel nötig

NVFP4 Spark (Local Inference Lab)vLLM (local-inference-lab Fork) via SparkRing (switchless NCCL ueber ConnectX-7)Gewichte Repo Stand 6. Okt. 2026

Details

2× DGX Spark

GLM-5.3-Flash EXL3 mit TensorFold auf 2× DGX Spark (1M Kontext, 4 Streams)

von MiaAI-Lab

60,4tok/sAlltag

Prosa-Decode, 1 Request; Qualität (FP8-KV, 4-bit dense): GSM8K 98,8 % / HumanEval 95,7 % / HumanEval+ & MBPP+ 86,5 % Quelle

Intelligenz42mit Denken

≤ 3 bit: Quantisierung kann Qualität kosten
Eigener Kernel nötig
Nicht kommerziell
Lizenz ungeklärt

EXL3/TR3 4bpw routed experts + 4-bit dense, BF16 elsewhere, FP8 KVTensorFold v0.6.0 + Recipe v1.10 (README: 96 Patches; gepinntes Image v0.6.0-e66c657a433d mit 107 Patches: DFlash2+Copy-Drafts, 4-bit dense, FP8-KV, RoCE-One-Shot-All-Gather, Shared KV-Pool, optionaler Spill-Tier, Vision, Tool-Calling, Anthropic /v1/messages; PARALLEL=8 opt-in)Gewichte Repo Stand 10. Okt. 2026

Details

4× DGX Spark

GLM-5.3-Flash 320B-A18B NVFP4 mit vLLM auf 4× DGX Spark

von tonyd2wild

40,8tok/sAlltag

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

Intelligenz42mit Denken

Eigener Kernel nötig
Nicht kommerziell

NVFP4 weights + FP8 KV (Lane B: NVFP4 KV)vLLM 0.28.0Gewichte Repo Stand 3. Okt. 2026

Details

3× DGX Spark

GLM-5.3-Flash 320B EXL3 4 bpw mit vLLM auf 3× DGX Spark

von MiaAI-Lab

39,6tok/sAlltag

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

Intelligenz42mit Denken

≤ 3 bit: Quantisierung kann Qualität kosten
Eigener Kernel nötig
Nicht kommerziell
Lizenz ungeklärt

EXL3/TR3 4 bpw (routed experts), FP8 KV (fp8_ds_mla)vLLMGewichte Repo Stand 4. Okt. 2026

Details

2× DGX Spark

GLM-5.3-Flash 320B-A18B EXL3 4 bpw mit ExLlamaV3 auf 2× DGX Spark

von MiaAI-Lab

36,1tok/sAlltag

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

Intelligenz42mit Denken

≤ 3 bit: Quantisierung kann Qualität kosten
Eigener Kernel nötig
Nicht kommerziell
Lizenz ungeklärt

EXL3 4bpw (TR3) + FP8 KV (fp8_ds_mla)TensorFold-basiertes Kit (ghcr.io/miaai-lab/glm-5.3-flash-2x-dgx-sparks:exl3-instanttensor), DFlash2 7 draft tokens; opt-in Speed-Boost-Profil (einmaliger ~25-min-Build auf dem Head)Gewichte Repo Stand 4. Okt. 2026

Details

2× DGX Spark