DE
Gespräch buchen

Lokale KI · Rezept · 2× DGX Spark

Qwen3.8-Flash-Next 125B NVFP4 mit TensorFold auf 2× DGX Spark (1M Kontext)

Qwen3.8-Flash-Next 125B NVFP4 mit TensorFold auf 2× DGX Spark (1M Kontext): 67,4 tok/s laut github.com (Datensatz-Stand: 29. Sept. 2026).

von MiaAI-Lab

67,4tok/sAlltag

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

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis40mit Denken

Installieren: Qwen3.8-Flash-Next 125B NVFP4 mit TensorFold auf 2× DGX Spark (1M Kontext)

Befehl
git clone https://github.com/MiaAI-Lab/Qwen3.8-Flash-Dual-DGX-Sparks-TensorFold.git && cd Qwen3.8-Flash-Dual-DGX-Sparks-TensorFold && cp scripts/local.sh.example scripts/local.sh && ./start.sh

Vollständige Anleitung im README Repo

Engine

Engine
TensorFold tensorfold-native (Zig, zig-flashnext db281878 + patches), Image ghcr.io/miaai-lab/qwen3.8-flash-dual-dgx-sparks-tensorfold:zig-db28187-f3e1300f4f62, TP=2 über CX7/RoCE, MTP + Copy-Drafts
Quantisierung
NVFP4 (nvidia, Experten) + FP8 n-gram/MTP, FP8 KV
Modellfamilie
Qwen3.8-Flash-Next
Kontext
1.048.576
Parameter
125B MoE / 6,0B aktiv
Kreator
MiaAI-Lab
GitHub-Sterne
15
Repo-Stand
8. 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)67,4 tok/sKontext 1024K · Prosa, sparkDash 2026-10-07, Defaults (PARALLEL 16, FP8 KV, Vision an); TTFT 104 ms Quelle 

Decode · parallele Anfragen

Summe über alle Streams ist markiert; pro Anfrage ist es entsprechend weniger.

  • 16 parallele Anfragen390 tok/sSpitze (Decode) · Kontext 1024K · Prosa ×16 aggregiert (26,8 pro Request); ×8 231,2 Quelle 

Prefill je Kontext

  • 16K2.757 tok/sFrüher am selben Tag gemessen, bf16 KV, PARALLEL 8; 4k 2.648 / 128k 2.601 / 256k 2.458 tok/s Quelle 

Zeit bis zum ersten Token

Kürzer ist besser.

  • Prompt nicht angegeben104 msProsa, 1 Request Quelle 

Was brauche ich

Hardware
2 × NVIDIA DGX Spark (GB10)
Engine
TensorFold tensorfold-native (Zig, zig-flashnext db281878 + patches), Image ghcr.io/miaai-lab/qwen3.8-flash-dual-dgx-sparks-tensorfold:zig-db28187-f3e1300f4f62, TP=2 über CX7/RoCE, MTP + Copy-Drafts
Kontext
1.048.576 Token

Hinweise

Was vor dem Nachbauen wichtig ist.

  • Eigener Kernel nötig
  • vision
  • tool-calling
  • Lizenz ungeklärt

Quellen

Verwandte Rezepte

2× DGX Spark

Qwen3.8-Flash-Next 125B INT4-AutoRound mit TensorFold auf 2× DGX Spark (1M Kontext)

von MiaAI-Lab

89,3tok/sAlltag

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

Intelligenzkein unabhängiger Wert
  • Eigener Kernel nötig
  • Lizenz ungeklärt

INT4-AutoRound (GPTQ int4, Top-5-Experten) + FP8 n-gram-Tabelle, FP8 KVTensorFold tensorfold-native (Zig, zig-flashnext db281878 + patches), Image ghcr.io/miaai-lab/qwen3.8-flash-dual-dgx-sparks-tensorfold:zig-db28187-f3e1300f4f62, TP=2 über CX7/RoCE, MTP + Copy-Drafts (QUANT=int4ar)Gewichte Repo Stand 8. Okt. 2026

Details
2× DGX Spark

Qwen3.8-Flash-Next INT4-AutoRound (v5.2) mit vLLM auf 2× DGX Spark

von myllmbox

74tok/sAlltag

1 Anfrage, Prosa-Prompt (lange Story), Thinking off, mit MTP Quelle 

Intelligenz40mit Denken
  • Eigener Kernel nötig
  • Lizenz ungeklärt

INT4-AutoRound (azampatti): int4-Experten, fp8-Seitenschichten; n-gram-Tabelle beim Laden fp8 → NVFP4, halb pro Box auf der GPU; KV-Pin 29G/Box (1.829.182 Tokens)vLLM 0.30 (Image myllmbox/qwen38-flash-next-cluster-vllm:v5.2; RecoverSSM, dynamischer Draft-Depth 3–7 in Full-CUDA-Graphs, sampled Drafts + Block-Verifikation, One-Shot-RoCE-All-Reduce, Dual-Rail, TP=2, 64 Seats) — Kit v5.2Gewichte Repo Stand 6. 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