Lokale KI · Rezept · 1× DGX Spark

Nemotron 3.5 Bolt 74B-A9B IQ2 mit vLLM auf 1× DGX Spark

Nemotron 3.5 Bolt 74B-A9B IQ2 mit vLLM auf 1× DGX Spark: 87,8 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von vcruz305

87,8tok/sSpitze

1 Anfrage, synthetischer Prompt, mit LiLiCorr/DFlash (laut Rezept)

Quelle: github.com

Intelligenz (Originalmodell) · Artificial Analysiskein unabhängiger Wert

≤ 3 bit: Quantisierung kann Qualität kosten

Anleitung im README Repo

Engine: vLLM 0.32.0rc1.dev100+g77154ca61 (Wheel-Commit 77154ca6) + b12x 1.5.1, FlashInfer-Attention
Quantisierung: ModelOpt IQ2 gemischt (IQ2_XXS + ausgewählte Q8_0/NVFP4/unquantisierte Tensoren, 24 GB), FP8-KV; Draft LiLiCorr NVFP4 (DFlash, 7 Tokens)
Modellfamilie: Nemotron-3.5-Bolt-74B-A9B
Kontext: 262.144
Parameter: 74B MoE / 9B aktiv (lt. Modellname)
Kreator: vcruz305
GitHub-Sterne: 0
Repo-Stand: 16. Okt. 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)87,8 tok/sSixcat, synthetische Prompts (32 Wörter, 512 Tokens Ausgabe), p50 aus 4 Anfragen, Thinking an, temp 0, DFlash 7 Tokens; ohne Draft 30,88 Quelle

Prefill je Kontext

~2.5k1.328 tok/sSixcat Long-Prompt, p50, client-effektiv inkl. SSH-Tunnel und First-Token-Handoff (kein serverseitiger Prefill-Zähler), mit DFlash Quelle

Was brauche ich

Hardware: 1 × NVIDIA DGX Spark (GB10)
Gewichte: Hauptgewichtnvidia/NVIDIA-Nemotron-3.5-Bolt-74B-A9B-24GB other
Draft-Modellnvidia/NVIDIA-Nemotron-3.5-Bolt-74B-A9B-24GB-LiLiCorr other
Engine: vLLM 0.32.0rc1.dev100+g77154ca61 (Wheel-Commit 77154ca6) + b12x 1.5.1, FlashInfer-Attention
Kontext: 262.144 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.
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 3.74 bpw mit ExLlamaV3 auf 1× DGX Spark

von vcruz305

60,3tok/sAlltag

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

Intelligenzkein unabhängiger Wert

Eigener Kernel nötig

EXL3 SAGE 3.74bpw (Kopf/Vision 8-bit), FP16-KV (8K) bzw. Q4-KV (262K)ExLlamaV3 Fork vcruz305 (master, gemessen dc778646 / 475461e9) + TabbyAPI Fork vcruz305Gewichte Repo Stand 14. Okt. 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

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

← 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

Was brauche ich

Hinweise

Quellen

Verwandte Rezepte

Nemotron-3.5-Bolt 74B-A9B 24GB-Pack mit TensorFold auf 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 6.08 bpw mit ExLlamaV3 auf 1× DGX Spark (Text, 262k Kontext)

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

Lokale KI im eigenen Unternehmen?