DE
Gespräch buchen

Lokale KI · Rezept · 4× DGX Spark

DeepSeek-V4.1-Flash FP8/MXFP4 mit SparkRing auf 4× DGX Spark

DeepSeek-V4.1-Flash FP8/MXFP4 mit SparkRing auf 4× DGX Spark: 57 tok/s laut github.com (Datensatz-Stand: 29. Sept. 2026).

von fujitsupolycom

57tok/sAlltag

1 Anfrage, Decode bei 16K Kontext (Profil-Tabelle), Thinking on, high

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis40mit Denkenohne Denken 25
Anleitung im README Repo

Engine

Engine
vLLM (local-inference-lab Fork) via SparkRing (switchless NCCL ueber ConnectX-7)
Quantisierung
Stock-Checkpoint FP8/MXFP4 (DeepSeek)
Modellfamilie
DeepSeek-V4.1-Flash
Kontext
—
Parameter
763,2 GB Safetensors (510 GB on disk laut DB-Vorzeile)
Kreator
fujitsupolycom
GitHub-Sterne
91
Repo-Stand
6. 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)57 tok/sKontext 16K · 1 Nutzer, je 16K Kontext; Thinking on, high Quelle 

Decode · parallele Anfragen

Summe über alle Streams ist markiert; pro Anfrage ist es entsprechend weniger.

  • 16 parallele Anfragen275 tok/sSpitze (Decode) · Kontext 16K · Thinking on, high Quelle 

Prefill je Kontext

Was brauche ich

Hardware
4 × NVIDIA DGX Spark (GB10)
Engine
vLLM (local-inference-lab Fork) via SparkRing (switchless NCCL ueber ConnectX-7)

Hinweise

Was vor dem Nachbauen wichtig ist.

  • Eigener Kernel nötig

Quellen

Verwandte Rezepte

2× DGX Spark

DeepSeek-V4.1-Flash EXL3 2.0 bpw mit vLLM auf 2× DGX Spark

von sfxnz

42,6tok/sAlltag

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

Intelligenz40mit Denkenohne Denken 25Wert des Originalmodells. Stark komprimiert (~2 Bit), Intelligenz dürfte deutlich niedriger liegen.
  • ≤ 3 bit: Quantisierung kann Qualität kosten
  • Experimentell
  • Eigener Kernel nötig

EXL3 2.0 bpw MCG (routed experts, tail-biting Viterbi re-encoded, scale refit), lm_head MXFP8, KV fp8 (8-GiB-Pin), DSpark-3vLLMGewichte Repo Stand 27. Sept. 2026

Details
2× DGX Spark

DeepSeek-V4.1-Flash EXL3 2.0 bpw mit TensorFold auf 2× DGX Spark

von sfxnz

41,2tok/sAlltag

1 Anfrage, Prosa-Prompt (512 Tokens), mit DSpark (laut Rezept) Quelle 

Intelligenz40mit Denkenohne Denken 25Wert des Originalmodells. Stark komprimiert (~2 Bit), Intelligenz dürfte deutlich niedriger liegen.
  • ≤ 3 bit: Quantisierung kann Qualität kosten
  • Eigener Kernel nötig

EXL3 2.0 bpw MCG (routed experts, Branch 2.0bpw-mcg-viterbi-lmhead-mxfp8 @982b704), Rest FP8 (32x32-Blockscales), lm_head MXFP8, DSpark-Draft MXFP4TensorFold Fork sfxnz/TensorFold dsv41-recipe-engine4 @b86514a (v0.6.4 + deepseek_v41-Familie), TP=2, --parallel 4Gewichte Repo Stand 8. 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