Lokale KI · Rezept · 2× DGX Spark

GLM-5.3-Flash NVFP4 (NVIDIA) mit vLLM (glm53-sm121-v13) auf 2× DGX Spark (Vision)

GLM-5.3-Flash NVFP4 (NVIDIA) mit vLLM (glm53-sm121-v13) auf 2× DGX Spark (Vision): 30 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von sfxnz

30tok/sAlltag

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

Quelle: github.com

Intelligenz (Originalmodell) · Artificial Analysis42mit Denken

Anleitung im README Repo

Engine: vLLM (Image glm53-sm121-v13, lokal gebaute Kette v8→v13 auf vllm/vllm-openai:glm53-flash-arm64-cu130), TP=2 über RoCE, DFlash2-7 mit Adaptive Verify (tau 0,3), CUDA Graphs
Quantisierung: Offizielles NVIDIA-ModelOpt-0.47.0-NVFP4 W4A4 (Routed Experts + Dense-MLP, Marlin) @09b04e5e; INT8 W8A16 g128 auf shared/mla/kda_o/kda_in/lm_head; fp8_e4m3 KV (4,14-GiB-Pin); DFlash2-7-Drafter in NVFP4 W4A16
Modellfamilie: GLM-5.3-Flash
Kontext: 327.680
Parameter: 320B MoE / 18B aktiv (lt. README)
Kreator: sfxnz
GitHub-Sterne: 21
Repo-Stand: 16. 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)30 tok/sZelle A (ruler v2): 8 verschiedene kurze Prosa-Prompts (Essays/Geschichten), je 512 erzwungene Tokens, greedy, Thinking off; Mittel aus 3 Boots (F1, F2b, G2); TTFT p50 0,26 s; Akzeptanzlänge 2,21 Quelle

Decode · parallele Anfragen

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

2 parallele Anfragen39,4 tok/sSpitze (Decode) · Prosa, 2 Streams aggregiert (Zelle H, 20,69 pro Stream); TTFT p50 0,36 s mit Prefix-Cache-Treffern Quelle

Prefill je Kontext

32K1.192 tok/sKalt (Unique-Salt-Prompt), Boot G2; 128k: 1190 tok/s, TTFT 109,8 s Quelle

Zeit bis zum ersten Token

Kürzer ist besser.

Prompt nicht angegeben260 msTTFT p50 Zelle A (Prosa, 1 Anfrage) Quelle

Was brauche ich

Hardware: 2 × NVIDIA DGX Spark (GB10)
Gewichte: Hauptgewichtnvidia/GLM-5.3-Flash-NVFP4 MIT
Draft-Modellincoai/GLM-5.3-Flash-DFlash2 Nicht kommerziell · CC-BY-NC-ND-4.0
Basiszai-org/GLM-5.3-Flash MIT
Engine: vLLM (Image glm53-sm121-v13, lokal gebaute Kette v8→v13 auf vllm/vllm-openai:glm53-flash-arm64-cu130), TP=2 über RoCE, DFlash2-7 mit Adaptive Verify (tau 0,3), CUDA Graphs
Kontext: 327.680 Token

Hinweise

Was vor dem Nachbauen wichtig ist.

NC-Lizenz (Entwurf)
Eigener Kernel nötig
vision
tool-calling
Nicht kommerziell

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

4× DGX Spark

GLM-5.3-Flash EXL3 4bpw mit TensorFold auf 4× DGX Spark

von tonyd2wild

65,4tok/sAlltag

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

Intelligenz42mit Denken

Eigener Kernel nötig
Nicht kommerziell
Lizenz ungeklärt

EXL3 4bpw routed experts (mcg) + q4 dense (at load) + FP8 KVTensorFold v0.6.0 + MiaAI-Lab GLM-5.3-Flash patch series (engine-multi, + tonyd2wild changes)Gewichte Repo Stand 12. Okt. 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

2× DGX Spark

GLM-5.3-Flash EXL3 4bpw mit TensorFold auf 2× DGX Spark

von tonyd2wild

44tok/sAlltag

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

Intelligenz42mit Denken

Eigener Kernel nötig
Nicht kommerziell
Lizenz ungeklärt

EXL3 4bpw routed experts (mcg) + q4 dense (at load) + FP8 KVTensorFold v0.6.0 + MiaAI-Lab GLM-5.3-Flash patch series (engine-multi, + tonyd2wild changes)Gewichte Repo Stand 12. Okt. 2026

Details

4× DGX Spark

GLM-5.3-Flash 320B-A18B NVFP4 mit vLLM auf 4× DGX Spark

von tonyd2wild

40,8tok/sAlltag

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

Intelligenz42mit Denken

Eigener Kernel nötig
Nicht kommerziell

NVFP4 weights + FP8 KV (Lane B: NVFP4 KV)vLLM 0.28.0Gewichte Repo Stand 10. Okt. 2026

Details

3× DGX Spark

GLM-5.3-Flash 320B EXL3 4 bpw mit vLLM auf 3× DGX Spark

von MiaAI-Lab

40,1tok/sAlltag

1 Anfrage, Prosa-Prompt, mit DFlash2, TR3-Gewichte (laut Rezept) Quelle

Intelligenz42mit Denken

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

EXL3/TR3 4 bpw (routed experts), FP8 KV (fp8_ds_mla)vLLMGewichte Repo Stand 18. 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-Workshop Zur Übersicht

Engine

Messwerte

Decode · 1 Anfrage

Decode · parallele Anfragen

Prefill je Kontext

Zeit bis zum ersten Token

Was brauche ich

Hinweise

Quellen

Verwandte Rezepte

GLM-5.3-Flash NVFP4/MXFP8 CSF mit SparkRing auf 4× DGX Spark

GLM-5.3-Flash EXL3 4bpw mit TensorFold auf 4× DGX Spark

GLM-5.3-Flash EXL3 mit TensorFold auf 2× DGX Spark (1M Kontext, 4 Streams)

GLM-5.3-Flash EXL3 4bpw mit TensorFold auf 2× DGX Spark

GLM-5.3-Flash 320B-A18B NVFP4 mit vLLM auf 4× DGX Spark

GLM-5.3-Flash 320B EXL3 4 bpw mit vLLM auf 3× DGX Spark

Lokale KI im eigenen Unternehmen?