Lokale KI · Rezept · 4× DGX Spark

Qwen3.8-27B EXL3 mit vLLM auf 4× DGX Spark

Qwen3.8-27B EXL3 mit vLLM auf 4× DGX Spark: 35,1 tok/s laut github.com (Datensatz-Stand: 29. Sept. 2026).

von fujitsupolycom

35,1tok/sAlltag

1 Anfrage, realistischer Prompt, mit Qwen MTP3 probabilistic mit standard rejection (laut Rezept)

Quelle: github.com

Intelligenz (Originalmodell) · Artificial Analysis34mit Denken ohne Denken 20

Anleitung im README Repo

Engine: vLLM
Quantisierung: EXL3 K5/K6 gemischt, 21.59 GB (hf hydrated); FP8 KV (kv_cache_dtype fp8); EXL3-Prefill FP8, Tile 256
Modellfamilie: Qwen3.8-27B
Kontext: 1.048.576
Parameter: 27.8B dense (Qwen/Qwen3.8-27B, HF-API)
Kreator: fujitsupolycom
GitHub-Sterne: 82
Repo-Stand: 27. 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)35,1 tok/sKontext 16K decode · N=5 Mittel; unique cold prompts, temp 1.0, top-p 0.95/top-k 20 aus der generation_config der Quelle; Workload-Typ in der Quelle nicht klassifiziert Quelle
Spitze (Decode)48,5 tok/sCoding Peak, 15/15 requests, Mittel (Median 47.89, Range 44.57–52.13) Quelle

Prefill je Kontext

16K1.964 tok/sN=3 Mittel Quelle

Was brauche ich

Hardware: 4 × NVIDIA DGX Spark (GB10)
Gewichte: Hauptgewichtmalaiwah/Qwen3.8-27B-EXL3-K5K6-hydrated Apache-2.0
Engine: vLLM
Kontext: 1.048.576 Token

Hinweise

Was vor dem Nachbauen wichtig ist.

Eigener Kernel nötig

Quellen

Verwandte Rezepte

1× Mac

Qwen3.8-27B mit MLX auf 1× Mac

von Weschera

53,3tok/sAlltag

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

Intelligenzkein unabhängiger Wert

Lizenz ungeklärt

oQ4e (4-bit affine g64, 166 sens. Tensoren 5-bit; Stock-Qwen3.8-27B-Konversion)oMLX 0.6.3rc2Gewichte Repo Stand 21. Aug. 2026

Details

1× DGX Spark

Qwen3.8-27B NVFP4 mit vLLM auf 1× DGX Spark (Weschera)

von Weschera

45tok/sAlltag

1 Anfrage, Prosa-Prompt, mit MTP Quelle

Intelligenzkein unabhängiger Wert

NVFP4 (unsloth; compressed-tensors) + fp8 KV + triton_attn (fp8-KV auf GB10 nur mit triton, FA kann kein fp8-KV auf sm_121)vLLMGewichte Repo Stand 15. Aug. 2026

Details

1× DGX Spark

Qwen3.8-27B NVFP4 mit Atlas auf 1× DGX Spark

von Weschera

19tok/sAlltag

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

Intelligenzkein unabhängiger Wert

Experimentell
Eigener Kernel nötig

NVFP4 (unsloth); MTP-Head bf16 (--mtp-quantization bf16); fp8 KV (Engine-Default)AtlasGewichte Repo Stand 15. Aug. 2026

Details

1× RTX 3090

Qwen3.8-27B EXL3 4.00 bpw mit buun-llama-cpp auf 1× RTX 3090

von r0b0tlab

27,8tok/sGemischt

1 Anfrage, gemischtes Prompt-Set, Kontext 150000, mit DFlash2 (laut Rezept) Quelle

Intelligenz34mit Denken ohne Denken 20

Eigener Kernel nötig

EXL3 4.00 bpw (Target + DFlash2-Draft), VBR-KV turbo8/turbo3buun-llama-cppGewichte Repo Stand 20. Sept. 2026

Details

1× DGX Spark

Qwen3.8-27B NVFP4 mit vLLM auf 1× DGX Spark

von r0b0tlab

27,8tok/sGemischt

1 Anfrage, gemischtes Prompt-Set, mit MTP Quelle

Intelligenz34mit Denken ohne Denken 20

Lizenz ungeklärt

NVFP4 (+ BF16-MTP-Kopf)vLLM v0.27.2rc0-sm121 (7f7a32c)Gewichte Repo Stand 20. Aug. 2026

Details

1× DGX Spark

Qwen3.8-27B NVFP4 mit SGLang auf 1× DGX Spark (Weschera)

von Weschera

25,2tok/sGemischt

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

Intelligenzkein unabhängiger Wert

Eigener Kernel nötig

NVFP4 (RadixArk) + BF16-Draft; quantized lm_head-Adapter (TP=1, 256-token selector chunks, FP32 top-k — r0b0tlab-Ansatz)SGLangGewichte Repo Stand 21. Aug. 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-Workshop Zur Übersicht