DE
Gespräch buchen

Lokale KI · Rezept · 1× DGX Spark

GLM-5.3-Flash EXL3 2.25 bpw mit ExLlamaV3 auf 1× DGX Spark (256k Kontext)

GLM-5.3-Flash EXL3 2.25 bpw mit ExLlamaV3 auf 1× DGX Spark (256k Kontext): 20,6 tok/s laut github.com (Datensatz-Stand: 29. Sept. 2026).

von r0b0tlab

20,6tok/sAlltag

1 Anfrage, Prosa-Prompt, mit DFlash2 K=5 (laut Rezept)

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis42mit Denken

≤ 3 bit: Quantisierung kann Qualität kosten

Anleitung im README Repo

Engine

Engine
ExLlamaV3 v1.5.2 + TabbyAPI 816c321 (ghcr.io/r0b0tlab/glm53-flash-exl3-exllamav3-gb10:b25c467)
Quantisierung
EXL3 2.25 bpw (Drafter EXL3 3.00 bpw), FP16 KV
Modellfamilie
GLM-5.3-Flash
Kontext
262.144
Kreator
r0b0tlab
GitHub-Sterne
4
Repo-Stand
28. Sept. 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)20,6 tok/sKontext 8K-Profil · Matched 8K C1, Median aus 5; Prosa regrediert unter K=5 (AR 22.54) Quelle 
  • Spitze (Decode)52,9 tok/sKontext 8K-Profil · Structured, DFlash2 K=5, matched 8K C1, Median aus 5; Code 49.96 Quelle 

Was brauche ich

Hardware
1 × NVIDIA DGX Spark (GB10)
Gewichte
Engine
ExLlamaV3 v1.5.2 + TabbyAPI 816c321 (ghcr.io/r0b0tlab/glm53-flash-exl3-exllamav3-gb10:b25c467)
Kontext
262.144 Token

Hinweise

Was vor dem Nachbauen wichtig ist.

  • ≤ 3 bit: Quantisierung kann Qualität kostenBei 3 bit und weniger kann das Modell spürbar schlechter antworten als das Original. Die Intelligenz-Zahl gilt für das Original.
  • Eigener Kernel nötig
  • vision
  • tool-calling
  • Nicht kommerziell

Quellen

Verwandte Rezepte

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 10. Okt. 2026

Details
2× DGX Spark

GLM-5.3-Flash 320B-A18B EXL3 4 bpw mit ExLlamaV3 auf 2× DGX Spark

von MiaAI-Lab

36,1tok/sAlltag

1 Anfrage, Prosa-Prompt, mit DFlash2 (laut Rezept) Quelle 

Intelligenz42mit Denken
  • ≤ 3 bit: Quantisierung kann Qualität kosten
  • Eigener Kernel nötig
  • Nicht kommerziell
  • Lizenz ungeklärt

EXL3 4bpw (TR3) + FP8 KV (fp8_ds_mla)TensorFold-basiertes Kit (ghcr.io/miaai-lab/glm-5.3-flash-2x-dgx-sparks:exl3-instanttensor), DFlash2 7 draft tokens; opt-in Speed-Boost-Profil (einmaliger ~25-min-Build auf dem Head)Gewichte Repo Stand 4. 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