Lokale KI · Rezept · 3× DGX Spark

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

GLM-5.3-Flash 320B EXL3 4 bpw mit vLLM auf 3× DGX Spark: 40,1 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von MiaAI-Lab

40,1tok/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

Engine

Engine
vLLM
Quantisierung
EXL3/TR3 4 bpw (routed experts), FP8 KV (fp8_ds_mla)
Modellfamilie
GLM-5.3-Flash
Kontext
1.000.000
Parameter
320B-A18B
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)40,1 tok/sProsa ×1, TP3-Kit (sparkDash, 2026-09-17, thinking off); ×4: 88,4 aggregiert. Structured-Median 09-14: 87,8; jspark3-Stack ~95 (anderes Kit) Quelle 
  • Spitze (Decode)87,8 tok/s„structured“ = count-Prompt, Lab-Median 2026-09-14, 400 tok, thinking off Quelle 

Was brauche ich

Hardware
3 × NVIDIA DGX Spark (GB10)
Gewichte
Engine
vLLM
Kontext
1.000.000 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
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
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
38tok/sAlltag

1 Anfrage, Generierung bei 32K Kontext (Speed-Tabelle, Paar), 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

← 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.