Lokale KI · Rezept · 2× DGX Spark

Qwen3.8-Flash-Next NVFP4 (hibrid48, Kit v4.1) mit vLLM auf 2× DGX Spark

Qwen3.8-Flash-Next NVFP4 (hibrid48, Kit v4.1) mit vLLM auf 2× DGX Spark: 121 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von myllmbox

121tok/sSpitze

1 Anfrage, Code-Prompt

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

Engine

Engine
vLLM 0.30 (Kit v4.1, Image v6; `git checkout v4.1`) — main-Default ist seit v5.2 INT4-AutoRound
Quantisierung
hibrid48: NVFP4-Output-Head, bf16-KV (41G/Box-Pin), halbe NVFP4-n-gram-Tabelle pro Box, Marlin MoE
Modellfamilie
Qwen3.8-Flash-Next
Kontext
262.144
Kreator
myllmbox
GitHub-Sterne
132
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)121 tok/sSingle-stream-Peak, Code-Phase eines Thinking-on-Requests (auf dem v4-Image vor der Ladder gemessen); Average desselben Requests ~81; v5.2-README nennt für hibrid48 nur Schätzwerte (~120 tok/s bei 1 Stream, ~10 % langsamer als INT4) Quelle 

Was brauche ich

Hardware
2 × NVIDIA DGX Spark (GB10)
Engine
vLLM 0.30 (Kit v4.1, Image v6; `git checkout v4.1`) — main-Default ist seit v5.2 INT4-AutoRound
Kontext
262.144 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

← 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.