Lokale KI · Rezept · 1× DGX Spark

GLM-5.3-Flash 320B UD-IQ3_XXS mit llama.cpp auf 1× DGX Spark

GLM-5.3-Flash 320B UD-IQ3_XXS mit llama.cpp auf 1× DGX Spark: 20,8 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von Weschera

20,8tok/sGemischt

1 Anfrage, gemischtes Prompt-Set, mit MTP

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysiskein unabhängiger Wert

≤ 3 bit: Quantisierung kann Qualität kosten

Engine

Engine
llama.cpp
Quantisierung
Unsloth Dynamic UD-IQ3_XXS GGUF (120,4 GB, 4 Shards); KV q8_0
Modellfamilie
GLM-5.3-Flash
Kontext
65.536
Parameter
320B / A18B MoE (README)
Kreator
Weschera
GitHub-Sterne
5
Repo-Stand
4. Sept. 2026

Messwerte

Alle belegten Werte dieses Rezepts, je mit Bedingung und Quelle. Balken im Verhältnis zum größten Wert der Gruppe.

Decode · 1 Anfrage

  • Gemischt (Decode)20,8 tok/sMedian p10–p90 11.6–25.1, 50 Requests / 26K Tokens, thinking OFF, aus der Benchmark-Run; MTP n=2 Quelle 
  • Spitze (Decode)20,8 tok/sMedian p10–p90 11.6–25.1, 50 Requests / 26K Tokens, thinking OFF, aus der Benchmark-Run; MTP n=2 Quelle 

Prefill je Kontext

  • 7K270 tok/s6.981-token-Prompt in 26 s, README '~270 tok/s' → approx Quelle 

Was brauche ich

Hardware
1 × NVIDIA DGX Spark (GB10)
Engine
llama.cpp
Kontext
65.536 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.

Quellen

Verwandte Rezepte

4× DGX Spark
68tok/sAlltag

1 Anfrage, Generierung bei 32K Kontext (Speed-Tabelle; nur als Pfad aus vier Sparks im 8er-Ring gemessen, nicht als Ring aus vier), Thinking immer an (gemessen vor dem Profil-Standard high, also mit Template-Standard max), mit MTP3 (laut Rezept) Quelle 

Intelligenz42mit 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
2× DGX Spark
60,4tok/sAlltag

Prosa-Decode, 1 Request; Qualität (FP8-KV, 4-bit dense): GSM8K 98,8 % / HumanEval 95,7 % / HumanEval+ & MBPP+ 86,5 % 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 v0.6.0 + Recipe v1.10 (README: 96 Patches; gepinntes Image v0.6.0-e66c657a433d mit 107 Patches: DFlash2+Copy-Drafts, 4-bit dense, FP8-KV, RoCE-One-Shot-All-Gather, Shared KV-Pool, optionaler Spill-Tier, Vision, Tool-Calling, Anthropic /v1/messages; PARALLEL=8 opt-in)Gewichte Repo Stand 25. 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.