NVIDIA Nemotron 3 Super 120B A12B (Q6_K_XL) — 15.4 GBauf NVIDIA RTX 4080

Q6_K_XL NVIDIA RTX 4080

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 Q6_K_XL-Quantisierung (Qualitätsstufe high) wiegt das Modell 109.75 GB. Das übersteigt die 16 GB VRAM von NVIDIA RTX 4080. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Die NVIDIA GeForce RTX 4080 ist eine Consumer-GPU mit 16 GB GDDR6X VRAM und 717 GB/s Speicherbandbreite. Sie liefert 48.7 FP16 TFLOPS und bietet solide Leistung fuer lokale LLM-Inferenz mit mittelgrossen Modellen. Sie verarbeitet quantisierte Modelle mit bis zu 13B Parametern effektiv. Eine gute Wahl fuer Entwickler, die Ada-Lovelace-Leistung zu einem erschwinglicheren Preis wuenschen.

Hardwareanforderungen

Modellgröße	109.75 GB
Verfügbarer VRAM	16 GB
Genutzter VRAM	15.4 GB
Min. RAM benötigt	109.5 GB
GPU-Ebenen	88 / 88
Kontextgröße	165.917
Backend	cuda13
Flash Attention	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 →

Mögliche Leistungseinbußen

Expertengewichte über Tensor-Override auf CPU ausgelagert. Mindestens 109.5 GB System-RAM empfohlen — bei unzureichendem RAM werden Daten bei Bedarf von der Festplatte gelesen.

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/q6_k_xl/nvidia-rtx4080.yaml) apply

Generierte values.yaml

/values/nemotron-3-super-120b-a12b/q6_k_xl/nvidia-rtx4080.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-Q6_K_XL/NVIDIA-Nemotron-3-Super-120B-A12B-UD-Q6_K_XL-00001-of-00004.gguf"

Server starten

llama-server \
  -m nemotron-3-super-120b-a12b.gguf \
  --n-gpu-layers 88 \
  --ctx-size 165917 \
  --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 (Q6_K_XL)?

Die Q6_K_XL-Quantisierung von NVIDIA Nemotron 3 Super 120B A12B benötigt 109.75 GB. Alle 88 Schichten passen in die 16 GB VRAM von NVIDIA RTX 4080, was volle GPU-Beschleunigung ermöglicht.

Kann ich NVIDIA Nemotron 3 Super 120B A12B auf NVIDIA RTX 4080 ausführen?

Ja. NVIDIA RTX 4080 bietet 16 GB VRAM, was ausreicht, um NVIDIA Nemotron 3 Super 120B A12B (Q6_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. Q6_K_XL komprimiert NVIDIA Nemotron 3 Super 120B A12B von seiner ursprünglichen Größe auf 109.75 GB.

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

Q6_K_XL 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 NVIDIA RTX 4080 ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 16 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