DE
Gespräch buchen

Lokale KI · Rezept · 2× DGX Spark

DeepSeek-V4.1-Flash EXL3 2.0 bpw mit TensorFold auf 2× DGX Spark

DeepSeek-V4.1-Flash EXL3 2.0 bpw mit TensorFold auf 2× DGX Spark: 41,2 tok/s laut github.com (Datensatz-Stand: 29. Sept. 2026).

von sfxnz

41,2tok/sAlltag

1 Anfrage, Prosa-Prompt (512 Tokens), mit DSpark (laut Rezept)

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis40mit Denkenohne Denken 25Wert des Originalmodells. Stark komprimiert (~2 Bit), Intelligenz dürfte deutlich niedriger liegen.

≤ 3 bit: Quantisierung kann Qualität kosten

Anleitung im README Repo

Engine

Engine
TensorFold Fork sfxnz/TensorFold dsv41-recipe-engine4 @b86514a (v0.6.4 + deepseek_v41-Familie), TP=2, --parallel 4
Quantisierung
EXL3 2.0 bpw MCG (routed experts, Branch 2.0bpw-mcg-viterbi-lmhead-mxfp8 @982b704), Rest FP8 (32x32-Blockscales), lm_head MXFP8, DSpark-Draft MXFP4
Modellfamilie
DeepSeek-V4.1-Flash
Kontext
1.048.576
Parameter
Basis deepseek-ai/DeepSeek-V4.1-Flash: 763,205,315,794 Parameter (HF-API safetensors total)
Kreator
sfxnz
GitHub-Sterne
14
Repo-Stand
8. 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)41,2 tok/sKontext 512-token prose · L.A.I.L-Zelle (measure_lail_prose.py: 512 Tokens, t=0.2, 10 Runs), s5 @903a1e8; c=1 bei b86514a innerhalb 0,5 %. bench_decode prose c=1 aktuell 56.3 (ignore_eos, 63 % nach EOS) Quelle 

Decode · parallele Anfragen

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

  • 4 parallele Anfragen201 tok/sSpitze (Decode) · Structured, Aggregat c=4 (shipped --parallel 4), Median zweier Boots; c=1 structured 97.7 Quelle 

Prefill je Kontext

  • 64K1.790 tok/sPrefill_cold.py, 65.536 Prompt-Tokens, Median 3 Prompts, s5 (Boots E/F 1800.2/1779.9) Quelle 

Was brauche ich

Hardware
2 × NVIDIA DGX Spark (GB10)
Engine
TensorFold Fork sfxnz/TensorFold dsv41-recipe-engine4 @b86514a (v0.6.4 + deepseek_v41-Familie), TP=2, --parallel 4
Kontext
1.048.576 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.
  • Fork
  • Eigener Kernel nötig

Quellen

Verwandte Rezepte

2× DGX Spark

DeepSeek-V4.1-Flash EXL3 2.0 bpw mit vLLM auf 2× DGX Spark

von sfxnz

42,6tok/sAlltag

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

Intelligenz40mit Denkenohne Denken 25Wert des Originalmodells. Stark komprimiert (~2 Bit), Intelligenz dürfte deutlich niedriger liegen.
  • ≤ 3 bit: Quantisierung kann Qualität kosten
  • Experimentell
  • Eigener Kernel nötig

EXL3 2.0 bpw MCG (routed experts, tail-biting Viterbi re-encoded, scale refit), lm_head MXFP8, KV fp8 (8-GiB-Pin), DSpark-3vLLMGewichte Repo Stand 27. Sept. 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