DE
Gespräch buchen

Lokale KI · Rezept · 2× DGX Spark

GLM-5.3-Flash NVFP4 mit vLLM auf 2× DGX Spark (128k Kontext, mit MTP)

GLM-5.3-Flash NVFP4 mit vLLM auf 2× DGX Spark (128k Kontext, mit MTP): 23 tok/s laut github.com (Datensatz-Stand: 29. Sept. 2026).

von Weschera

23tok/sAlltag

1 Anfrage, Prosa-Prompt, mit MTP4

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysiskein unabhängiger Wert
Anleitung im README Repo

Engine

Engine
vLLM
Quantisierung
NVFP4 (vcruz305-Quant, BF16-MTP-Head, 49 Shards; quantization_config.ignore für Layer 45), KV fp8_e4m3
Modellfamilie
GLM-5.3-Flash
Kontext
131.072
Kreator
Weschera
GitHub-Sterne
0
Repo-Stand
28. Aug. 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)23 tok/sBereich 22–24 tok/s, MTP4, thinking off, short/medium ctx → approx (Bereichsangabe) Quelle 
  • Spitze (Decode)36,5 tok/sStructured output/code, MTP4 Quelle 

Was brauche ich

Hardware
2 × NVIDIA DGX Spark (GB10)
Gewichte
Engine
vLLM
Kontext
131.072 Token

Hinweise

Was vor dem Nachbauen wichtig ist.

  • Experimentell
  • Eigener Kernel nötig

Quellen

Verwandte Rezepte

2× DGX Spark

GLM-5.3-Flash EXL3 mit TensorFold auf 2× DGX Spark (1M Kontext, 4 Streams)

von MiaAI-Lab

97,6tok/sAlltag

HumanEval 97,6 % / GSM8K 98,0 % mit FP8-KV und 4-bit dense Quelle 

Intelligenz42mit Denken
  • ≤ 3 bit: Quantisierung kann Qualität kosten
  • Eigener Kernel nötig
  • Nicht kommerziell
  • Lizenz ungeklärt

EXL3/TR3 4bpw routed experts + 4-bit dense, BF16 elsewhere, FP8 KVTensorFold v0.5.0 (52 patches: DFlash2+copy drafts, 4-bit dense, FP8 KV, RoCE one-shot all-gather, shared KV pool, vision, tool calling)Gewichte Repo Stand 30. Sept. 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