DE
Gespräch buchen

Lokale KI · Rezept · 2× DGX Spark

Qwen3.8-Flash-Next MLX 4-bit mit TensorFold auf 2× DGX Spark

Qwen3.8-Flash-Next MLX 4-bit mit TensorFold auf 2× DGX Spark: 69,6 tok/s laut github.com (Datensatz-Stand: 29. Sept. 2026).

von sfxnz

69,6tok/sAlltag

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

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis40mit Denken
Anleitung im README Repo

Engine

Engine
TensorFold v0.6.2 (56e2e3e), TP=2, Image tf-qwen38-flashnext:0.6.2 (nvcr.io/nvidia/pytorch:26.07-py3)
Quantisierung
MLX affine 4-bit (group 32) auf allen Linears inkl. n-gram-Tabellen und MTP-Head, KV bf16
Modellfamilie
Qwen3.8-Flash-Next
Kontext
262.144
Parameter
~180B MoE (512 Experten, top-10)
Kreator
sfxnz
GitHub-Sterne
1
Repo-Stand
2. 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)69,6 tok/sBench_decode.py (frozen ruler), streamed greedy, thinking off, max_tokens 200, 3-run-Median; MTP bis 15 Drafts, conf 0.70; TTFT p50 0.05 s Quelle 
  • Spitze (Decode)250 tok/sStructured c=1 (frozen ruler); opt-in PROFILE=concurrent (PR-#141-Patch): 519.6 tok/s aggregiert bei 8 Usern (Code, greedy) Quelle 

Prefill je Kontext

  • 32K2.816 tok/sKalt, 32.921 Prompt-Tokens, 2.816–2.817 tok/s; 8k: 2.811–2.830, 131k: 2.377–2.378 Quelle 

Zeit bis zum ersten Token

Kürzer ist besser.

  • Prompt nicht angegeben50 msProse c=1, TTFT p50 0.05 s Quelle 

Was brauche ich

Hardware
2 × NVIDIA DGX Spark (GB10)
Engine
TensorFold v0.6.2 (56e2e3e), TP=2, Image tf-qwen38-flashnext:0.6.2 (nvcr.io/nvidia/pytorch:26.07-py3)
Kontext
262.144 Token

Quellen

Verwandte Rezepte

2× DGX Spark

Qwen3.8-Flash-Next 125B INT4-AutoRound mit TensorFold auf 2× DGX Spark (1M Kontext)

von MiaAI-Lab

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 8. Okt. 2026

Details
2× DGX Spark

Qwen3.8-Flash-Next INT4-AutoRound (v5.2) mit vLLM auf 2× DGX Spark

von myllmbox

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 6. Okt. 2026

Details
2× DGX Spark

Qwen3.8-Flash-Next 125B NVFP4 mit TensorFold auf 2× DGX Spark (1M Kontext)

von MiaAI-Lab

67,4tok/sAlltag

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

Intelligenz40mit Denken
  • Eigener Kernel nötig
  • Lizenz ungeklärt

NVFP4 (nvidia, Experten) + FP8 n-gram/MTP, 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-DraftsGewichte Repo Stand 8. 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