Lokale KI · Rezept · 2× DGX Spark

Qwen3.8-Flash-Next 125B NVFP4 mit vLLM auf 2× DGX Spark

Qwen3.8-Flash-Next 125B NVFP4 mit vLLM auf 2× DGX Spark: 54,4 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von MiaAI-Lab

54,4tok/sAlltag

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

Quelle: github.com

Intelligenz (Originalmodell) · Artificial Analysis40mit Denken

Anleitung im README Repo

Engine: vLLM vllm/vllm-openai:qwen38-flash-next
Quantisierung: NVFP4 (nvidia) + FP8 KV
Modellfamilie: Qwen3.8-Flash-Next
Kontext: 262.144
Parameter: 125B-A6B (s.o.)
Kreator: MiaAI-Lab
GitHub-Sterne: 384
Repo-Stand: 4. 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)54,4 tok/sProse, TTFT 160 ms Quelle

Decode · parallele Anfragen

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

Summe über 16 Streams326 tok/sSpitze (Decode) · Kontext 256K · Structured ×16 aggregate, vLLM-0.30-Lane (opt-in, 2026-09-27): 76,0 ×1 / 326,3 ×16; Code 313,6 ×8. Day-0-Lane: prose ×1 54,4, ×8 207,0 Quelle

Prefill je Kontext

16K3.490 tok/s16k-Prompt in der v0.30-Lane (2026-09-27): 2.791 @1k / 3.313 @4k / 3.490 @16k / 2.982 @32k / 2.046 @64k / 2.898 @128k Quelle

Was brauche ich

Hardware: 2 × NVIDIA DGX Spark (GB10)
Gewichte: Hauptgewichtnvidia/Qwen3.8-Flash-Next-NVFP4 other
otherRadixArk/Qwen3.8-Flash-Next-NVFP4 other
otherlocal-inference-lab/Qwen3.8-Flash-Next-NVFP4 other
BasisQwen/Qwen3.8-Flash-Next-FP8 other
Engine: vLLM vllm/vllm-openai:qwen38-flash-next
Kontext: 262.144 Token

Quellen

Verwandte Rezepte

1× Mac

Qwen3.8-Flash-Next 125B-A6B MLX 4/8-bit mit mlx-serve auf 1× Mac (M5 Ultra)

von drowzeys

155tok/sAlltag

1 Anfrage, llmprobe-Standardprompt, Thinking an, mit MTP + PLD (laut Rezept) Quelle

Intelligenz40mit Denken

Experimentell
Lizenz ungeklärt

MLX mixed 4/8-bit (ddalcu, 100 GiB), KV bf16mlx-serve 26.9.7-dev @933566c, MLX 0.32.3 (NAX an)Gewichte Repo Stand 30. Sept. 2026

Details

4× RTX 3090

Qwen3.8-Flash-Next 125B mit llama.cpp auf 4× RTX 3090

von tonyd2wild

110tok/sAlltag

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

Intelligenz40mit Denken

Lizenz ungeklärt

W4A16 (vLLM) bzw. GGUFvLLM (Lane 1) / llama.cpp (Lane 2)Gewichte Repo Stand 1. Okt. 2026

Details

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 26. 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 29. Okt. 2026

Details

4× DGX Spark

Qwen3.8-Flash-Next NVFP4 mit SparkRing auf 4× DGX Spark

von fujitsupolycom

73tok/sAlltag

1 Anfrage, Decode bei 32K Kontext (Speed-Tabelle, Ring aus vier), Thinking on, xhigh Quelle

Intelligenz40mit Denken

Eigener Kernel nötig

NVFP4 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

Qwen3.8-Flash-Next MLX 4-bit mit TensorFold auf 2× DGX Spark

von sfxnz

69,6tok/sAlltag

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

Intelligenz40mit Denken

Lizenz ungeklärt

MLX affine 4-bit (group 32) auf allen Linears inkl. n-gram-Tabellen und MTP-Head, KV bf16TensorFold v0.6.2 (56e2e3e), TP=2, Image tf-qwen38-flashnext:0.6.2 (nvcr.io/nvidia/pytorch:26.07-py3)Gewichte Repo Stand 2. 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

Decode · parallele Anfragen

Prefill je Kontext

Was brauche ich

Quellen

Verwandte Rezepte

Qwen3.8-Flash-Next 125B-A6B MLX 4/8-bit mit mlx-serve auf 1× Mac (M5 Ultra)

Qwen3.8-Flash-Next 125B mit llama.cpp auf 4× RTX 3090

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

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

Qwen3.8-Flash-Next NVFP4 mit SparkRing auf 4× DGX Spark

Qwen3.8-Flash-Next MLX 4-bit mit TensorFold auf 2× DGX Spark

Lokale KI im eigenen Unternehmen?