DE
Gespräch buchen

Lokale KI · Rezept · 2× DGX Spark

GLM-5.3-Flash FP4-Local (NVFP4/MXFP8) mit vLLM auf 2× DGX Spark

GLM-5.3-Flash FP4-Local (NVFP4/MXFP8) mit vLLM auf 2× DGX Spark: 34,4 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von myllmbox

34,4tok/sAlltag

1 Anfrage, Prosa-Prompt (7.000-Wörter-Geschichte), mit MTP (laut Rezept)

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis42mit Denken
Anleitung im README Repo

Engine

Engine
vLLM v0.32.0 (Image myllmbox/glm53-flash-cluster-vllm:v3: mbx-Loader, NVFP4-Experten auf Marlin, dynamische MTP-Draft-Tiefe 1–9, One-Shot-RoCE-All-Reduce via b12x), TP=2 über RDMA
Quantisierung
NVIDIA FP4-Local-Checkpoint wie ausgeliefert (NVFP4-Experten, MXFP8-Dense-Layer); KV-Pool 1.145.238 Token (12G/Box); Marlin MoE
Modellfamilie
GLM-5.3-Flash
Kontext
400.000
Parameter
320B MoE / 18B aktiv (lt. README)
Kreator
myllmbox
GitHub-Sterne
18
Repo-Stand
29. 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)34,4 tok/sLong prose (7.000-Wörter-Geschichte), c=1, Mittel aus 3 Läufen à 300 s; Image v3, ausgelieferte recipe.yaml Quelle 
  • Spitze (Decode)86,7 tok/sSpitzenwert eines Thinking-on-Requests (pasture), Ø desselben Requests 44,9; c=1: JSON-Schema 45,6, TypeScript 41,1, bestes 10-s-Fenster 60,4 Quelle 

Prefill je Kontext

  • 128K1.836 tok/sKalt (ohne Prefix-Cache), 128k-Token-Prompt; 32k: 1.879 Quelle 

Zeit bis zum ersten Token

Kürzer ist besser.

  • Prompt nicht angegeben1.130 msKontext 1K · Erster Token, 1k-Prompt; mit Prefix-Cache 0,26 s Quelle 

Was brauche ich

Hardware
2 × NVIDIA DGX Spark (GB10)
Engine
vLLM v0.32.0 (Image myllmbox/glm53-flash-cluster-vllm:v3: mbx-Loader, NVFP4-Experten auf Marlin, dynamische MTP-Draft-Tiefe 1–9, One-Shot-RoCE-All-Reduce via b12x), TP=2 über RDMA
Kontext
400.000 Token

Hinweise

Was vor dem Nachbauen wichtig ist.

  • Eigener Kernel nötig
  • vision
  • tool-calling
  • 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
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

← 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
Cookies

Mit Ihrer Einwilligung nutzen wir Google Analytics (Google, USA) und unsere eigene Reichweitenmessung, um zu verstehen, wie unsere Website genutzt wird. Technisch notwendige Speicherungen, etwa Ihre Cookie-Auswahl, erfolgen ohne Einwilligung. Ihre Wahl können Sie jederzeit über „Cookie-Einstellungen“ im Footer ändern. Datenschutzerklärung · Cookie-Richtlinie