NVIDIA Nemotron 3 Super 120B A12B (Q2_K_XL) — 63.4 GBen Apple M3 Max 64GB
Descripción General
NVIDIA Nemotron 3 Super 120B A12B es un modelo de lenguaje moe de 123.61B parámetros de NVIDIA, con capacidades de code, multilingual, thinking, tool-calls. Admite una ventana de contexto de hasta 262,144 tokens.
Nemotron 3 Super 120B A12B es un modelo híbrido Mamba-2 Transformer LatentMoE de 123.610 millones de parámetros de NVIDIA, que activa 12.000 millones de parámetros por token a través de 22 de 512 expertos enrutados más 1 experto compartido. Entrenado con más de 25 billones de tokens, se orienta al razonamiento agéntico, generación de código, llamada a herramientas y conversación multilingüe en 7 idiomas. Una ventana de contexto de 256K, modo de razonamiento activable y predicción multi-token permiten inferencia de alto rendimiento para flujos de trabajo multi-agente complejos. Su arquitectura MoE se cuantiza bien en formato GGUF para despliegue autoalojado en configuraciones multi-GPU.
Con cuantización Q2_K_XL (nivel de calidad low), el modelo pesa 50.9 GB. Esto cabe dentro de los 64 GB de VRAM de Apple M3 Max 64GB, lo que permite la inferencia completa en GPU.
Requisitos de Hardware
| Tamaño del modelo | 50.9 GB |
| VRAM disponible | 64 GB |
| VRAM utilizada | 63.4 GB |
| RAM del sistema | |
| RAM mín. requerida | 0 GB |
| Capas GPU | 88 / 88 |
| Tamaño del contexto | 134.113 |
| Backend | metal |
| Flash attention | Sí |
| Lectura desde disco | Sí |
Notas de rendimiento
Despliegue
Instalar llama.cpp
brew install llama.cppDescargar modelo
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"Iniciar servidor
llama-server \
-m nemotron-3-super-120b-a12b.gguf \
--n-gpu-layers 88 \
--ctx-size 134113 \
--flash-attnVerificar
curl http://localhost:8080/healthPreguntas frecuentes
¿Cuánta VRAM necesita NVIDIA Nemotron 3 Super 120B A12B (Q2_K_XL)?
La cuantización Q2_K_XL de NVIDIA Nemotron 3 Super 120B A12B requiere 50.9 GB. Las 88 capas caben en los 64 GB de VRAM disponibles en Apple M3 Max 64GB, permitiendo aceleración GPU completa.
¿Puedo ejecutar NVIDIA Nemotron 3 Super 120B A12B en Apple M3 Max 64GB?
Sí. Apple M3 Max 64GB proporciona 64 GB de VRAM, suficiente para ejecutar NVIDIA Nemotron 3 Super 120B A12B (Q2_K_XL) con todas las capas en la GPU para un rendimiento óptimo.
¿Qué es la cuantización?
La cuantización reduce la precisión numérica de un modelo de su formato original de punto flotante a una representación más compacta. Esto reduce el tamaño del archivo y la huella de VRAM, haciendo posible ejecutar modelos grandes en hardware de consumo. La contrapartida es una pequeña reducción en la calidad de salida. Q2_K_XL comprime NVIDIA Nemotron 3 Super 120B A12B de su tamaño original a 50.9 GB.
¿Qué cuantización debo elegir para NVIDIA Nemotron 3 Super 120B A12B?
Q2_K_XL es una cuantización de baja calidad. Los quants de mayor calidad (Q8, Q6) preservan más precisión del modelo pero necesitan más VRAM. Los quants inferiores (Q4, Q3, Q2) reducen el uso de VRAM a costa de cierta calidad. Elija según su hardware disponible y requisitos de calidad.
¿Qué es flash attention y por qué está activado?
Flash attention es un algoritmo eficiente en memoria que acelera el mecanismo de atención en modelos transformer. Reduce el uso de VRAM durante la inferencia evitando la materialización de la matriz de atención completa. Para NVIDIA Nemotron 3 Super 120B A12B en Apple M3 Max 64GB, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 64 GB de VRAM disponibles.
¿Qué es MoE y cómo afecta al despliegue?
NVIDIA Nemotron 3 Super 120B A12B utiliza una arquitectura Mixture-of-Experts (MoE) con 512 expertos, de los cuales 22 están activos por token. Esto significa que solo una fracción de los pesos del modelo se utiliza en cada paso de inferencia, permitiendo que los modelos MoE sean más grandes en número total de parámetros mientras permanecen eficientes durante la inferencia.