Lokale KI · Rezept · 2× DGX Spark

MiMo-V2.6-Flash-MOPD 309B-A15B mit vLLM auf 2× DGX Spark

MiMo-V2.6-Flash-MOPD 309B-A15B mit vLLM auf 2× DGX Spark: 49 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von myllmbox

49tok/sSpitze

1 Anfrage, Code-lastiger Spec-Prompt (SQL/TypeScript), Thinking off, mit MTP K=3

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysiskein unabhängiger Wert

Installieren: MiMo-V2.6-Flash-MOPD 309B-A15B mit vLLM auf 2× DGX Spark

Befehl
git clone https://github.com/myllmbox/mimo-v26-flash-cluster-recipe.git && cd mimo-v26-flash-cluster-recipe && ./run.sh

Vollständige Anleitung im README
Repo

Engine

Engine
vLLM 0.30.1rc1 (Nightly ddd6fbca, Image myllmbox/mimo-v26-flash-cluster-vllm:v2: mbx-Loader, Split-KV-Attention beim Spec-Decoding), TP=2 über RDMA, MTP K=3 (3 trainierte Draft-Layer)
Quantisierung
Offizieller Checkpoint wie veröffentlicht (config.json: quant_method fp8, store_dtype mxfp4); KV-Pool 16 GB/Box ≈ 1,22M Token; Marlin MoE
Modellfamilie
MiMo-V2.6-Flash-MOPD
Kontext
300.000
Parameter
309B MoE / 15B aktiv (lt. README)
Kreator
myllmbox
GitHub-Sterne
5
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

  • Spitze (Decode)49 tok/sThinking off, ERP-/Supply-Chain-Spec (SQL-Schemas, TypeScript, Analyse-Tabelle, Lasttest-Skript, Mathe), ~10k-Token-Antwort, Steady-State-Mittel über 300-s-Fenster, Spitze 62, Akzeptanz 2,83; Thinking on, 1 Anfrage (pasture-Szene): 51 Ø / 69 Spitze; aggregiert c=16: 202 (234 Spitze) Quelle 

Prefill je Kontext

  • 8K1.947 tok/sKalt (frischer Prompt), TTFT 4,3 s; 1k 1.771 / 32k 1.668 / 128k 947 tok/s Quelle 

Zeit bis zum ersten Token

Kürzer ist besser.

  • Prompt nicht angegeben690 msKontext 1K · Erster Token, kalter 1k-Prompt; hot (Prefix-Cache) 0,28 s Quelle 

Was brauche ich

Hardware
2 × NVIDIA DGX Spark (GB10)
Engine
vLLM 0.30.1rc1 (Nightly ddd6fbca, Image myllmbox/mimo-v26-flash-cluster-vllm:v2: mbx-Loader, Split-KV-Attention beim Spec-Decoding), TP=2 über RDMA, MTP K=3 (3 trainierte Draft-Layer)
Kontext
300.000 Token

Verwandte Rezepte

2× DGX Spark
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
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
2× DGX Spark
68tok/sAlltag

1 Anfrage, Generierung bei 32K Kontext (Speed-Tabelle, Paar), Thinking on, xhigh, mit MTP3 (laut Rezept) Quelle 

Intelligenz40mit 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.