DE
Gespräch buchen

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: 39,6 tok/s laut github.com (Datensatz-Stand: 29. Sept. 2026).

von MiaAI-Lab

39,6tok/sAlltag

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

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis42mit Denken

≤ 3 bit: Quantisierung kann Qualität kosten

Anleitung im README Repo

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
651
Repo-Stand
26. 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)39,6 tok/sLab-Median 2026-09-14, temp 0, 400 tok, median of 3 Quelle 
  • Spitze (Decode)87,8 tok/s„structured“ = count-Prompt, Lab-Median, 400 tok 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

2× DGX Spark

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

von MiaAI-Lab

97,6tok/sAlltag

HumanEval 97,6 % / GSM8K 98,0 % mit FP8-KV und 4-bit dense 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 v0.5.0 (52 patches: DFlash2+copy drafts, 4-bit dense, FP8 KV, RoCE one-shot all-gather, shared KV pool, vision, tool calling)Gewichte Repo Stand 30. Sept. 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