NVIDIA Nemotron 3 Super 120B A12B (MXFP4_MOE) — 23.4 GBauf Scaleway L4-1-24G

MXFP4_MOE Scaleway L4-1-24G

Überblick

NVIDIA Nemotron 3 Super 120B A12B ist ein 123.61B-Parameter moe-Sprachmodell von NVIDIA, mit Fähigkeiten in code, multilingual, thinking, tool-calls. Es unterstützt ein Kontextfenster von bis zu 262,144 Tokens.

Nemotron 3 Super 120B A12B ist ein hybrides Mamba-2-Transformer-LatentMoE-Modell mit 123,61 Milliarden Parametern von NVIDIA, das 12 Milliarden Parameter pro Token über 22 von 512 gerouteten Experten plus 1 geteiltem Experten aktiviert. Trainiert auf über 25 Billionen Tokens, zielt es auf agentisches Reasoning, Codegenerierung, Tool Calling und mehrsprachige Konversation in 7 Sprachen ab. Ein 256K-Kontextfenster, umschaltbarer Reasoning-Modus und Multi-Token-Prediction ermöglichen Hochdurchsatz-Inferenz für komplexe Multi-Agenten-Workflows. Die MoE-Architektur lässt sich gut im GGUF-Format für Self-Hosting auf Multi-GPU-Konfigurationen quantisieren.

Bei MXFP4_MOE-Quantisierung (Qualitätsstufe high) wiegt das Modell 76.42 GB. Das übersteigt die 24 GB VRAM von Scaleway L4-1-24G. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Die NVIDIA L4 ist eine Datacenter-Inferenz-GPU mit 24 GB GDDR6 VRAM und 300 GB/s Speicherbandbreite. Sie liefert 121 FP16 TFLOPS mit Ada-Lovelace- Architektur. Konzipiert fuer effiziente, stromsparende Inferenz-Workloads in Cloud- und Edge-Deployments. Verarbeitet quantisierte Modelle bis 20B Parameter.

Hardwareanforderungen

Modellgröße	76.42 GB
Verfügbarer VRAM	24 GB
Genutzter VRAM	23.4 GB
System-RAM	48 GB
Min. RAM benötigt	76.3 GB
GPU-Ebenen	88 / 88
Kontextgröße	262.078
Backend	cuda13
Flash Attention	Ja
Lesen von Festplatte	Ja

Leistungshinweise

Mixture-of-Experts

Dies ist ein Mixture-of-Experts-Modell mit 512 Experten insgesamt, von denen 22 pro Token aktiv sind. Nur die aktiven Experten benötigen schnellen GPU-Zugriff — inaktive Expertengewichte können im Systemspeicher verbleiben, mit minimalem Einfluss auf die Generierungsgeschwindigkeit.

Zum MoE-Deployment-Leitfaden →

Minimale Leistungseinbußen

Alle Expertengewichte auf CPU ausgelagert — nur 22/512 Experten werden pro Token aktiviert, daher ist der Leistungseinfluss vernachlässigbar.

Erhebliche Leistungseinbußen

Die Modellgröße übersteigt den verfügbaren VRAM + RAM. Daten werden bei Bedarf von der Festplatte gelesen, was die Inferenz erheblich verlangsamt.

Kürzere Gespräche

Die Kontextgröße wurde aufgrund von Speicherbeschränkungen reduziert. Dies kann die Fähigkeit des Modells beeinträchtigen, lange Gespräche zu führen.

Bereitstellung

Server Lokal

Voraussetzungen

Stellen Sie sicher, dass Ihre GPU-Knoten mit dem NVIDIA Container Toolkit vorbereitet sind:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Befehl

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/nemotron-3-super-120b-a12b/mxfp4_moe/nvidia-l4.yaml) apply

Generierte values.yaml

/values/nemotron-3-super-120b-a12b/mxfp4_moe/nvidia-l4.yaml

Werte werden geladen…

llama.cpp installieren

Installieren Sie llama.cpp von den offiziellen Build-Anleitungen für Ihre Plattform und Ihr Backend.

Modell herunterladen

curl -L -o nemotron-3-super-120b-a12b.gguf "https://huggingface.co/unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF/resolve/main/MXFP4_MOE/NVIDIA-Nemotron-3-Super-120B-A12B-MXFP4_MOE-00001-of-00003.gguf"

Server starten

llama-server \
  -m nemotron-3-super-120b-a12b.gguf \
  --n-gpu-layers 88 \
  --ctx-size 262078 \
  --flash-attn \
  -ot ".ffn_.*_exps.=CPU"

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• NVIDIA Nemotron 3 Super 120B A12B (Q8_0)
• NVIDIA Nemotron 3 Super 120B A12B (Q5_K_M)
• NVIDIA Nemotron 3 Super 120B A12B (Q4_K_M)

Andere Hardware

• NVIDIA Nemotron 3 Super 120B A12B on CPU Only
• NVIDIA Nemotron 3 Super 120B A12B on NVIDIA A100 80GB
• NVIDIA Nemotron 3 Super 120B A12B on NVIDIA H100

Häufig gestellte Fragen

Wie viel VRAM benötigt NVIDIA Nemotron 3 Super 120B A12B (MXFP4_MOE)?

Die MXFP4_MOE-Quantisierung von NVIDIA Nemotron 3 Super 120B A12B benötigt 76.42 GB. Alle 88 Schichten passen in die 24 GB VRAM von Scaleway L4-1-24G, was volle GPU-Beschleunigung ermöglicht.

Kann ich NVIDIA Nemotron 3 Super 120B A12B auf Scaleway L4-1-24G ausführen?

Ja. Scaleway L4-1-24G bietet 24 GB VRAM, was ausreicht, um NVIDIA Nemotron 3 Super 120B A12B (MXFP4_MOE) mit allen Schichten auf der GPU für optimale Leistung auszuführen.

Was ist Quantisierung?

Quantisierung reduziert die numerische Präzision eines Modells von seinem ursprünglichen Gleitkommaformat auf eine kompaktere Darstellung. Dies verringert die Dateigröße und den VRAM-Bedarf, wodurch es möglich wird, große Modelle auf Consumer-Hardware auszuführen. Der Kompromiss ist eine geringe Verringerung der Ausgabequalität. MXFP4_MOE komprimiert NVIDIA Nemotron 3 Super 120B A12B von seiner ursprünglichen Größe auf 76.42 GB.

Welche Quantisierung sollte ich für NVIDIA Nemotron 3 Super 120B A12B wählen?

MXFP4_MOE ist eine hochwertige Quantisierung. Hochwertigere Quants (Q8, Q6) bewahren mehr Modellgenauigkeit, benötigen aber mehr VRAM. Niedrigere Quants (Q4, Q3, Q2) reduzieren den VRAM-Verbrauch auf Kosten der Qualität. Wählen Sie basierend auf Ihrer verfügbaren Hardware und Ihren Qualitätsanforderungen.

Was ist Flash Attention und warum ist es aktiviert?

Flash Attention ist ein speichereffizienter Algorithmus, der den Attention-Mechanismus in Transformer-Modellen beschleunigt. Er reduziert den VRAM-Verbrauch während der Inferenz, indem er die Materialisierung der vollständigen Attention-Matrix vermeidet. Für NVIDIA Nemotron 3 Super 120B A12B auf Scaleway L4-1-24G ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 24 GB VRAM zu maximieren.

Was ist MoE und wie beeinflusst es die Bereitstellung?

NVIDIA Nemotron 3 Super 120B A12B verwendet eine Mixture-of-Experts (MoE)-Architektur mit 512 Experten, von denen 22 pro Token aktiv sind. Das bedeutet, dass nur ein Bruchteil der Modellgewichte bei jedem Inferenzschritt verwendet wird, wodurch MoE-Modelle bei der Gesamtparameteranzahl größer sein können und dennoch bei der Inferenz effizient bleiben.

Zuletzt aktualisiert: 12. März 2026