DE
Gespräch buchen

Lokale KI · Rezept · 4× DGX Spark

GLM-5.3-Flash FP8 mit vLLM auf 4× DGX Spark

GLM-5.3-Flash FP8 mit vLLM auf 4× DGX Spark: 34,1 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von jnardiello

34,1tok/sAlltag

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

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis42mit Denken
Anleitung im README Repo

Engine

Engine
vLLM
Quantisierung
FP8 (Original-Snapshot) + INT8-W8A16-Residuen, Drafter W8A16
Modellfamilie
GLM-5.3-Flash
Kontext
262.144
Kreator
jnardiello
GitHub-Sterne
29
Repo-Stand
1. 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)34,1 tok/sKontext kurz, 66 Wörter (Rigmark-Prosa-Prompt) · Prose decode, one request; Median aus 3 nativen Rigmark-Suiten (162 Requests), E29-Referenz 2026-09-25, direkter LAN-Client. Prompt-Länge belegt: der eingefrorene E29-Datensatz (docs/historical_benchmarks/baselines/2026-09-25-e29, Feld rigmark.prompts) pinnt das Rigmark-Prompt-Set v1.0.0 mit sha256 0c3ac4015813af6a1b967659bd2289990fde895a5e43ae065b894d1e1f909ecb; die Prompt-Datei im Repo alexellis/rigmark hat genau diesen Hash. Prosa-Aufgabe 49 Wörter plus Systemzeile 17 Wörter, 443 Zeichen Quelle 
  • Spitze (Decode)62,9 tok/sCode decode, one request; Median aus 3 Suiten, E29-Referenz 2026-09-25 Quelle 

Prefill je Kontext

  • 32K2.765 tok/sPrefill 32K, cold; Median aus 3 Suiten, E29 Quelle 

Zeit bis zum ersten Token

Kürzer ist besser.

  • Prompt nicht angegeben376 msProse TTFT 0.3760 s; Median aus 3 Suiten, E29 Quelle 

Was brauche ich

Hardware
4 × NVIDIA DGX Spark (GB10)
Gewichte
Engine
vLLM
Kontext
262.144 Token

Hinweise

Was vor dem Nachbauen wichtig ist.

  • Eigener Kernel nötig
  • Nicht kommerziell

Quellen

Verwandte Rezepte

4× DGX Spark

GLM-5.3-Flash NVFP4/MXFP8 CSF mit SparkRing auf 4× DGX Spark

von fujitsupolycom

68tok/sAlltag

1 Anfrage, Generierung bei 32K Kontext (Speed-Tabelle; nur als Pfad aus vier Sparks im 8er-Ring gemessen, nicht als Ring aus vier), Thinking immer an (gemessen vor dem Profil-Standard high, also mit Template-Standard max), mit MTP3 (laut Rezept) Quelle 

Intelligenz42mit Denken
  • Eigener Kernel nötig
  • Lizenz ungeklärt

NVFP4/MXFP8 CSF QAD (Local Inference Lab)vLLM (local-inference-lab Fork) via SparkRing (SIRCL-Collectives, switchless RDMA ueber ConnectX-7), Image Release 2026.10.2Gewichte Repo Stand 2. Nov. 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 25. 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