Lokale KI · Rezept · 1× DGX Spark

Nemotron-3.5 30B NVFP4 mit vLLM auf 1× DGX Spark

Nemotron-3.5 30B NVFP4 mit vLLM auf 1× DGX Spark: 93 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von sfxnz

93tok/sSpitze

1 Anfrage, Bestwert der Quelle

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis13mit Denken

Engine

Engine
vLLM
Quantisierung
NVFP4 (modelopt_mixed), FP8-KV, Marlin MoE, DSpark-3
Modellfamilie
Nemotron-3.5
Kontext
262.144
Parameter
30B total / ~3B active (README); HF-API safetensors total 17,820,210,764
Kreator
sfxnz
GitHub-Sterne
1
Repo-Stand
4. Sept. 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)93 tok/sL.A.I.L-Lab-Bench, Run id 20260812T131332Z_d0f7ae; Quelle '~93 tok/s' → approx; Messmethodik/Prompt im Repo nicht dokumentiert Quelle 

Prefill je Kontext

  • Prompt nicht angegeben678 tok/sQuelle '~678 tok/s' → approx; L.A.I.L-Lab-Bench Quelle 

Zeit bis zum ersten Token

Kürzer ist besser.

  • Prompt nicht angegeben246 msQuelle '~246 ms' (TTFT p50) → approx Quelle 

Was brauche ich

Hardware
1 × NVIDIA DGX Spark (GB10)
Engine
vLLM
Kontext
262.144 Token

Verwandte Rezepte

1× DGX Spark
71,8tok/sAlltag

1 Anfrage, Prosa-Prompt (gesampelt, Thinking aus), mit LiLiCorr (laut Rezept) Quelle 

Intelligenzkein unabhängiger Wert
  • ≤ 3 bit: Quantisierung kann Qualität kosten
  • Eigener Kernel nötig
  • Lizenz ungeklärt

24GB pack: IQ2_XXS experts (2.0625 bits), NVFP4 Mamba projections, Q8_0 attention/latent projections/lm_head; bf16 KVTensorFold tensorfold-native v1.1.6 (eea9dc9c) + recipe patches/ (Bolt lane backend, libbolt.so CUDA forward pass), LiLiCorr draftsGewichte Repo Stand 1. Nov. 2026

Details
1× DGX Spark
59,4tok/sAlltag

1 Anfrage, Chat-Prompt (20 Prompts, Thinking aus), ohne Drafting (Standardprofil) Quelle 

Intelligenzkein unabhängiger Wert
  • Eigener Kernel nötig

EXL3 6.08 bpw (28,3 GB), FP16 KV; nur Textpfad (Vision-Tower wird von ExLlamaV3 nicht ausgeführt)ExLlamaV3 1.5.0 (Fork r0b0tlab/exllamav3-r0b0t, Branch minicpm-v4.7-dspark @ 5ddae7d12448), torch 2.14.0+cu130Gewichte Repo Stand 14. Okt. 2026

Details
1× DGX Spark
55,6tok/sAlltag

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

Intelligenz40mit Denken
  • Eigener Kernel nötig
  • Lizenz ungeklärt

NVIDIA FP4-QAD-Export (FP4-Local @b9ce18a6): Routed Experts NVFP4 (Gruppe 16), Attention/Shared Expert MXFP8, alle 512 Experten mit 10 pro Token; n-gram-Tabelle per pread von der SSD; FP8 KVTensorFold tensorfold-native (Zig) v1.1.4 (eab85828) + Patches 0001–0017, Image tensorfold-qwen38:v1.1.4-eab8582 (GHCR v1.1.4-eab8582-4baf16137ecd) auf nvcr.io/nvidia/pytorch:26.07-py3, MTP-DraftsGewichte Repo Stand 30. 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.