NVIDIA Nemotron 3 Super 120B A12B (Q2_K_XL) — 74.2 GBauf NVIDIA L40S 192GB

Code Multilingual Thinking Tool Calls

Q2_K_XL NVIDIA L40S 192GB

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 Q2_K_XL-Quantisierung (Qualitätsstufe low) wiegt das Modell 50.9 GB. Das passt in die 192 GB VRAM von NVIDIA L40S 192GB und ermöglicht vollständige GPU-Inferenz.

Hardwareanforderungen

Modellgröße	50.9 GB
Verfügbarer VRAM	192 GB
Genutzter VRAM	74.2 GB
System-RAM
Min. RAM benötigt	0 GB
GPU-Ebenen	88 / 88
Kontextgröße	262.144
Backend	cuda13
Flash Attention	Ja
Lesen von Festplatte	Ja

Leistungshinweise

Bereitstellung

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/q2_k_xl/nvidia-l40s-192gb.yaml) apply

Generierte `values.yaml`

/values/nemotron-3-super-120b-a12b/q2_k_xl/nvidia-l40s-192gb.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/UD-Q2_K_XL/NVIDIA-Nemotron-3-Super-120B-A12B-UD-Q2_K_XL-00001-of-00003.gguf"

Server starten

llama-server \
  -m nemotron-3-super-120b-a12b.gguf \
  --n-gpu-layers 88 \
  --ctx-size 262144 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Häufig gestellte Fragen

Wie viel VRAM benötigt NVIDIA Nemotron 3 Super 120B A12B (Q2_K_XL)?

Die Q2_K_XL-Quantisierung von NVIDIA Nemotron 3 Super 120B A12B benötigt 50.9 GB. Alle 88 Schichten passen in die 192 GB VRAM von NVIDIA L40S 192GB, was volle GPU-Beschleunigung ermöglicht.

Kann ich NVIDIA Nemotron 3 Super 120B A12B auf NVIDIA L40S 192GB ausführen?

Ja. NVIDIA L40S 192GB bietet 192 GB VRAM, was ausreicht, um NVIDIA Nemotron 3 Super 120B A12B (Q2_K_XL) 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. Q2_K_XL komprimiert NVIDIA Nemotron 3 Super 120B A12B von seiner ursprünglichen Größe auf 50.9 GB.

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

Q2_K_XL ist eine niedrigwertige 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 NVIDIA L40S 192GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 192 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