Lokale KI · Rezept · 2× DGX Spark

MiniMax-M3.1-Flash EXL3 2,15 bpw mit vLLM (EXL3-Plugin) auf 2× DGX Spark

MiniMax-M3.1-Flash EXL3 2,15 bpw mit vLLM (EXL3-Plugin) auf 2× DGX Spark: 19,8 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von tonyd2wild

19,8tok/sAlltag

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

Quelle: github.com

Intelligenz (Originalmodell) · Artificial Analysiskein unabhängiger Wert

≤ 3 bit: Quantisierung kann Qualität kosten

Anleitung im README Repo

Engine: vLLM + vllm-exl3 plugin (vcruz305 image/forks, pin 41fdb7d) + 2 TP2 patches
Quantisierung: EXL3 SAGE 2.15 bpw + q4 KV (fp8 indexer/draft KV)
Modellfamilie: MiniMax-M3.1-Flash
Kontext: 300.000
Parameter: 428B MoE / 23B aktiv
Kreator: tonyd2wild
GitHub-Sterne: 3
Repo-Stand: 24. 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)19,8 tok/sProse, Single Stream, Median von 2, temp 0, DSpark (3 Draft-Tokens) Quelle
Gemischt (Decode)31,7 tok/sGemischte reale Prompts (8 Typen rotiert, ohne Zählen), C1, Decode pro Stream, Median von 2 Runden Quelle
Spitze (Decode)39,4 tok/sCount to 300 (repetitiv), Single Stream, Median von 2 Quelle

Prefill je Kontext

97.51527 tok/sCold (salted prompt, 1 Output-Token), TTFT 185.0 s Quelle

Zeit bis zum ersten Token

Kürzer ist besser.

Prompt nicht angegeben670 msProse, Single Stream Quelle

Was brauche ich

Hardware: 2 × NVIDIA DGX Spark (GB10)
Gewichte: Hauptgewichtvcruz305/MiniMax-M3.1-Flash-EXL3-SAGE-2.15bpw other
BasisMiniMaxAI/MiniMax-M3.1-Flash other
Engine: vLLM + vllm-exl3 plugin (vcruz305 image/forks, pin 41fdb7d) + 2 TP2 patches
Kontext: 300.000 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
Lizenz ungeklärt

Quellen

Verwandte Rezepte

1× DGX Spark

MiniMax-M3.1-Flash EXL3 2,15 bpw mit vLLM auf 1× DGX Spark

von vcruz305

24,4tok/sAlltag

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

Intelligenzkein unabhängiger Wert

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

EXL3 SAGE 2.15bpw, q4-KV (nvfp4-Layout), fp8 Indexer-/Draft-KVvLLM (vllm/vllm-openai:minimax-m31-flash, Digest 86f582da) + vllm-exl3 Fork 41fdb7d + exllamav3 Fork fdd7736, DSpark k=4Gewichte Repo Stand 24. Okt. 2026

Details

4× DGX Spark

MiniMax-M3.1-Flash NVFP4/MXFP8 mit vLLM auf 4× DGX Spark

von tonyd2wild

22,2tok/sAlltag

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

Intelligenzkein unabhängiger Wert

Lizenz ungeklärt

NVFP4 experts (Marlin W4A16 on GB10) + MXFP8 attention/dense, FP8 KV (official checkpoint)vLLM 0.1.dev23341+g8744dd2fb (vllm/vllm-openai:minimax-m31-flash-arm64-cu134)Gewichte Repo Stand 23. Okt. 2026

Details

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 26. 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 29. Okt. 2026

Details

2× DGX Spark

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

von sfxnz

69,6tok/sAlltag

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

Intelligenz40mit Denken

Lizenz ungeklärt

MLX affine 4-bit (group 32) auf allen Linears inkl. n-gram-Tabellen und MTP-Head, KV bf16TensorFold v0.6.2 (56e2e3e), TP=2, Image tf-qwen38-flashnext:0.6.2 (nvcr.io/nvidia/pytorch:26.07-py3)Gewichte Repo Stand 2. Okt. 2026

Details

2× DGX Spark

Qwen3.8-Flash-Next NVFP4/MXFP8 CSF mit SparkRing auf 2× DGX Spark

von fujitsupolycom

68tok/sAlltag

1 Anfrage, Generierung bei 32K Kontext (Speed-Tabelle, Paar), Thinking on, xhigh, mit MTP3 (laut Rezept) Quelle

Intelligenz40mit 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

← 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

Prefill je Kontext

Zeit bis zum ersten Token

Was brauche ich

Hinweise

Quellen

Verwandte Rezepte

MiniMax-M3.1-Flash EXL3 2,15 bpw mit vLLM auf 1× DGX Spark

MiniMax-M3.1-Flash NVFP4/MXFP8 mit vLLM auf 4× DGX Spark

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

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

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

Qwen3.8-Flash-Next NVFP4/MXFP8 CSF mit SparkRing auf 2× DGX Spark

Lokale KI im eigenen Unternehmen?