Lokale KI · Rezept · 2× DGX Spark

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

GLM-5.3-Flash 320B-A18B EXL3 4 bpw mit ExLlamaV3 auf 2× DGX Spark: 36,1 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von MiaAI-Lab

36,1tok/sAlltag

1 Anfrage, Prosa-Prompt, mit DFlash2, TR3-Gewichte (laut Rezept)

Quelle: github.com

Intelligenz (Originalmodell) · Artificial Analysis42mit Denken

≤ 3 bit: Quantisierung kann Qualität kosten

Anleitung im README Repo

Engine: 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)
Quantisierung: EXL3 4bpw (TR3) + FP8 KV (fp8_ds_mla)
Modellfamilie: GLM-5.3-Flash
Kontext: 850.000
Parameter: 320B MoE / 18B active (lt. tonyd2wild-README; Mia: 320B MoE)
Kreator: MiaAI-Lab
GitHub-Sterne: 750
Repo-Stand: 18. 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)36,1 tok/sProsa, TP2-Default bis 04.10. (TR3-4bpw-Pack, byte-identisch mit brandonmusic Snapshot 5ab363a8), gemessen 2026-09-28, Mittelwert frischer Boots; opt-in Speed-Boost: 37,5 Quelle
Spitze (Decode)92,3 tok/sStructured output mit Speed-Boost-Profil (opt-in); Default: 83,0. Code 54,6/55,5 — gemessen 2026-09-28 Quelle

Prefill je Kontext

32K1.511 tok/sCold prefill bei 32k (Default): 1.411 @8k / 1.511 @32k / 1.498 @96k — gemessen 2026-09-28 Quelle

Was brauche ich

Hardware: 2 × NVIDIA DGX Spark (GB10)
Gewichte: Hauptgewichtbrandonmusic/GLM-5.3-Flash-tr3-4bpw other
Basiszai-org/GLM-5.3-Flash MIT
Draft-Modellincoai/GLM-5.3-Flash-DFlash2 Nicht kommerziell · CC-BY-NC-ND-4.0
otherbrandonmusic/GLM-5.3-Flash-tr3-4bpw other
Engine: 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)
Kontext: 850.000 Token

Hinweise

Was vor dem Nachbauen wichtig ist.

≤ 3 bit: Quantisierung kann Qualität kostenBei 3 bit und weniger kann das Modell spürbar schlechter antworten als das Original. Die Intelligenz-Zahl gilt für das Original.
Eigener Kernel nötig
Nicht kommerziell
Lizenz ungeklärt

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

4× DGX Spark

GLM-5.3-Flash EXL3 4bpw mit TensorFold auf 4× DGX Spark

von tonyd2wild

65,4tok/sAlltag

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

Intelligenz42mit Denken

Eigener Kernel nötig
Nicht kommerziell
Lizenz ungeklärt

EXL3 4bpw routed experts (mcg) + q4 dense (at load) + FP8 KVTensorFold v0.6.0 + MiaAI-Lab GLM-5.3-Flash patch series (engine-multi, + tonyd2wild changes)Gewichte Repo Stand 12. 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 25. Okt. 2026

Details

2× DGX Spark

GLM-5.3-Flash EXL3 4bpw mit TensorFold auf 2× DGX Spark

von tonyd2wild

44tok/sAlltag

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

Intelligenz42mit Denken

Eigener Kernel nötig
Nicht kommerziell
Lizenz ungeklärt

EXL3 4bpw routed experts (mcg) + q4 dense (at load) + FP8 KVTensorFold v0.6.0 + MiaAI-Lab GLM-5.3-Flash patch series (engine-multi, + tonyd2wild changes)Gewichte Repo Stand 12. 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 10. Okt. 2026

Details

3× DGX Spark

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

von MiaAI-Lab

40,1tok/sAlltag

1 Anfrage, Prosa-Prompt, mit DFlash2, TR3-Gewichte (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 18. 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-Workshop Zur Übersicht

Engine

Messwerte

Decode · 1 Anfrage

Prefill je Kontext

Was brauche ich

Hinweise

Quellen

Verwandte Rezepte

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

GLM-5.3-Flash EXL3 4bpw mit TensorFold auf 4× DGX Spark

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

GLM-5.3-Flash EXL3 4bpw mit TensorFold auf 2× DGX Spark

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

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

Lokale KI im eigenen Unternehmen?