DE
Gespräch buchen

Lokale KI · Rezept · 1× DGX Spark

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

MiniMax-M3.1-Flash EXL3 2,15 bpw mit vLLM auf 1× DGX Spark: 24,4 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von vcruz305

24,4tok/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

Engine
vLLM (vllm/vllm-openai:minimax-m31-flash, Digest 86f582da) + vllm-exl3 Fork 41fdb7d + exllamav3 Fork fdd7736, DSpark k=4
Quantisierung
EXL3 SAGE 2.15bpw, q4-KV (nvfp4-Layout), fp8 Indexer-/Draft-KV
Modellfamilie
MiniMax-M3.1-Flash
Kontext
49.152
Parameter
428B MoE / 23B aktiv (lt. HF-Card)
Kreator
vcruz305
GitHub-Sterne
6
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)24,4 tok/sProsa, Median über 3 Prompts, 512 Token, Profil q4-48k (Default), Sampling 1,0/0,95 (Pack-Default) Quelle 
  • Spitze (Decode)29,7 tok/sStrukturierte Prompts (Code: 28,97), Median über 3 Prompts, 512 Token, Profil q4-48k, DSpark k=4 Quelle 

Prefill je Kontext

  • 6.6K379 tok/sNeedle-Test (longctx.py), 6.625 Prompt-Token, Profil q4-48k, q4-Fast-Prefill Quelle 

Zeit bis zum ersten Token

Kürzer ist besser.

  • Prompt nicht angegeben17.500 msKontext 6.6K · Needle-Test, 6.625 Prompt-Token, Profil q4-48k (17,5 s) Quelle 

Was brauche ich

Hardware
1 × NVIDIA DGX Spark (GB10)
Engine
vLLM (vllm/vllm-openai:minimax-m31-flash, Digest 86f582da) + vllm-exl3 Fork 41fdb7d + exllamav3 Fork fdd7736, DSpark k=4
Kontext
49.152 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

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

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

← 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
Cookies

Mit Ihrer Einwilligung nutzen wir Google Analytics (Google, USA) und unsere eigene Reichweitenmessung, um zu verstehen, wie unsere Website genutzt wird. Technisch notwendige Speicherungen, etwa Ihre Cookie-Auswahl, erfolgen ohne Einwilligung. Ihre Wahl können Sie jederzeit über „Cookie-Einstellungen“ im Footer ändern. Datenschutzerklärung · Cookie-Richtlinie