Lokale KI · Rezept · 1× Mac

Qwen3.8-Flash-Next 125B mit MLX auf 1× Mac

Qwen3.8-Flash-Next 125B mit MLX auf 1× Mac: 83,1 tok/s laut github.com (Datensatz-Stand: 3. Nov. 2026).

von Weschera

83,1tok/sSpitze

1 Anfrage, Code-Prompt

Quelle: github.com
Intelligenz (Originalmodell) · Artificial Analysis40mit Denken

Engine

Engine
oMLX 0.6.4 (custom kernels)
Quantisierung
oQ4e gemischt (4-bit gesamt, group 64, MLX safetensors)
Modellfamilie
Qwen3.8-Flash-Next
Kontext
—
Parameter
125B MoE / 6B aktiv (+51B PLE, +4B MTP) lt. Schwester-Repo Qwen3.8-Flash-Next-1x-DGX-Spark; oMLX-Footprint ~103,94 GB
Kreator
Weschera
GitHub-Sterne
13
Repo-Stand
30. Aug. 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)83,1 tok/sKontext 5,999-token-Sequenz · 1.200-Zeilen-Sequenz, MTP6 + aggressive Burst; byte-identisch validiert; frischer Zustand ( kontrollierte Messung, kein Dauerzustand) Quelle 

Prefill je Kontext

  • 15,416-token-Prompt215 tok/s215–220 prompt tok/s in Wiederholungsmessungen (Bereich); TTFT 70–72 s; balanced prefill nötig, damit der 15,416-token-Prompt admitted wird → approx Quelle 

Was brauche ich

Hardware
1 × Mac / Apple Silicon
Gewichte
Engine
oMLX 0.6.4 (custom kernels)

Verwandte Rezepte

2× DGX Spark
89,3tok/sAlltag

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

Intelligenzkein unabhängiger Wert
  • Eigener Kernel nötig
  • Lizenz ungeklärt

INT4-AutoRound (GPTQ int4, Top-5-Experten) + FP8 n-gram-Tabelle, FP8 KVTensorFold tensorfold-native (Zig, zig-flashnext db281878 + patches), Image ghcr.io/miaai-lab/qwen3.8-flash-dual-dgx-sparks-tensorfold:zig-db28187-f3e1300f4f62, TP=2 über CX7/RoCE, MTP + Copy-Drafts (QUANT=int4ar)Gewichte Repo Stand 26. Okt. 2026

Details
2× DGX Spark
74tok/sAlltag

1 Anfrage, Prosa-Prompt (lange Story), Thinking off, mit MTP Quelle 

Intelligenz40mit Denken
  • Eigener Kernel nötig
  • Lizenz ungeklärt

INT4-AutoRound (azampatti): int4-Experten, fp8-Seitenschichten; n-gram-Tabelle beim Laden fp8 → NVFP4, halb pro Box auf der GPU; KV-Pin 29G/Box (1.829.182 Tokens)vLLM 0.30 (Image myllmbox/qwen38-flash-next-cluster-vllm:v5.2; RecoverSSM, dynamischer Draft-Depth 3–7 in Full-CUDA-Graphs, sampled Drafts + Block-Verifikation, One-Shot-RoCE-All-Reduce, Dual-Rail, TP=2, 64 Seats) — Kit v5.2Gewichte Repo Stand 29. 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.