Lokale KI · Rezept · 1× DGX Spark

MiniCPM-V 4.7 35B-A3B EXL3 3.74 bpw mit ExLlamaV3 auf 1× DGX Spark

MiniCPM-V 4.7 35B-A3B EXL3 3.74 bpw mit ExLlamaV3 auf 1× DGX Spark: 60,3 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von vcruz305

60,3tok/sAlltag

1 Anfrage, Prosa-Prompt (Essay), Kontext 2k, ohne Drafter (laut Rezept)

Quelle: github.com

Intelligenz (Originalmodell) · Artificial Analysiskein unabhängiger Wert

Anleitung im README Repo

Engine: ExLlamaV3 Fork vcruz305 (master, gemessen dc778646 / 475461e9) + TabbyAPI Fork vcruz305
Quantisierung: EXL3 SAGE 3.74bpw (Kopf/Vision 8-bit), FP16-KV (8K) bzw. Q4-KV (262K)
Modellfamilie: MiniCPM-V-4.7-35B-A3B
Kontext: 262.144
Parameter: 35B MoE / 3B aktiv (lt. Modellname)
Kreator: vcruz305
GitHub-Sterne: 4
Repo-Stand: 14. 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)60,3 tok/sKontext 2K · Essay-Antwort (256 Tokens) auf synthetisches Dokument, 2.040 Prompt-Tokens, Q4-KV, max. 131K Kontext, target-only; bei vollem 262K-Kontext 45,03 Quelle
Spitze (Decode)69,5 tok/sKontext 1K · Bestwert der Quelle ohne Drafter: 1.024-Token-Prompts (Inhalt nicht angegeben), 256 Tokens, greedy, p50 aus 7 Läufen, FP16-KV, 8K (Profil single); optional dSparK Breite 7: 94,70 Quelle

Prefill je Kontext

262K1.056 tok/sKalt, 261.886-Token-Prompt, Q4-KV, TTFT 248,8 s Quelle

Zeit bis zum ersten Token

Kürzer ist besser.

Prompt nicht angegeben948 msKontext 1K · 1.024-Token-Prompt, FP16-KV, p50, target-only Quelle

Was brauche ich

Hardware: 1 × NVIDIA DGX Spark (GB10)
Gewichte: Hauptgewichtvcruz305/MiniCPM-V-4.7-35B-A3B-EXL3-SAGE-3.74bpw Apache-2.0
Basisopenbmb/MiniCPM-V-4.7-35B-A3B Apache-2.0
Engine: ExLlamaV3 Fork vcruz305 (master, gemessen dc778646 / 475461e9) + TabbyAPI Fork vcruz305
Kontext: 262.144 Token

Hinweise

Was vor dem Nachbauen wichtig ist.

Eigener Kernel nötig
vision

Quellen

Verwandte Rezepte

1× DGX Spark

MiniCPM-V-4.7-35B-A3B EXL3 6.08 bpw mit ExLlamaV3 auf 1× DGX Spark (Text, 262k Kontext)

von r0b0tlab

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

Nemotron-3.5-Bolt 74B-A9B 24GB-Pack mit TensorFold auf 1× DGX Spark

von MiaAI-Lab

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

Qwen3.8 27B MLX 4-bit mit TensorFold auf 1× DGX Spark

von MiaAI-Lab

58,3tok/sAlltag

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

Intelligenz34mit Denken ohne Denken 20

Eigener Kernel nötig

MLX affine 4-bit (g64) + FP8 KV, FP8-PrefillTensorFold v0.6.0 (c464617) + 5 Patches, Image ghcr.io/miaai-lab/qwen3.8-27b-dgx-spark-tensorfold:v0.6.0, DFlash2-DraftsGewichte Repo Stand 1. Okt. 2026

Details

1× DGX Spark

Qwen3.8-Flash-Next NVFP4 (NVIDIA QAD, FP4-Local) mit TensorFold auf 1× DGX Spark

von MiaAI-Lab

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

1× DGX Spark

Qwen3.8-Flash-Next EXL3 3.05 bpw mit ExLlamaV3 auf 1× DGX Spark

von vcruz305

53,3tok/sAlltag

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

Intelligenz40mit Denken

Eigener Kernel nötig
Lizenz ungeklärt

EXL3 3.05bpw (turboderp-Pack, h5, ngram5), 8-bit KV (K8/V8), n-gram im RAMExLlamaV3 Fork 24f0dece3 (≥1.6.0.post1, upstream 1.6.0) + TabbyAPI Fork 5a4f3efGewichte Repo Stand 14. Okt. 2026

Details

1× DGX Spark

Ornith-1.5-122B EXL3 4 bpw mit TensorFold auf 1× DGX Spark

von MiaAI-Lab

52,6tok/sAlltag

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

Intelligenzkein unabhängiger Wert

Eigener Kernel nötig
Experimentell

EXL3 EAQ v1 4 bpw (4.049 bpw trellis average per quant card), FP8 KVTensorFold tensorfold-native (Zig 0.17.0, pinned d1018b31 + recipe patches/ for EXL3 in the Qwen3.5-MoE engine), image tensorfold-ornith:zig-d1018b3, DFlash2 draftsGewichte Repo Stand 21. 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

Prefill je Kontext

Zeit bis zum ersten Token

Was brauche ich

Hinweise

Quellen

Verwandte Rezepte

MiniCPM-V-4.7-35B-A3B EXL3 6.08 bpw mit ExLlamaV3 auf 1× DGX Spark (Text, 262k Kontext)

Nemotron-3.5-Bolt 74B-A9B 24GB-Pack mit TensorFold auf 1× DGX Spark

Qwen3.8 27B MLX 4-bit mit TensorFold auf 1× DGX Spark

Qwen3.8-Flash-Next NVFP4 (NVIDIA QAD, FP4-Local) mit TensorFold auf 1× DGX Spark

Qwen3.8-Flash-Next EXL3 3.05 bpw mit ExLlamaV3 auf 1× DGX Spark

Ornith-1.5-122B EXL3 4 bpw mit TensorFold auf 1× DGX Spark

Lokale KI im eigenen Unternehmen?