NVIDIA Nemotron 3 Super 120B A12B (Q4_K_XL)en CPU Only
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 Q4_K_XL (nivel de calidad medium), el modelo pesa 78.02 GB. Esto excede los 0 GB de VRAM de CPU Only. La inferencia sigue siendo posible mediante descarga a CPU o carga mapeada en memoria desde disco, pero con un rendimiento significativamente reducido.
Una configuracion solo CPU sin aceleracion GPU. La inferencia se ejecuta completamente en la CPU, lo que es significativamente mas lento que las configuraciones con GPU, pero no requiere hardware especializado. El rendimiento y el tamano maximo del modelo dependen de la RAM disponible. Adecuada para pruebas, desarrollo o despliegues donde no hay GPU disponible.
Requisitos de Hardware
| Tamaño del modelo | 78.02 GB |
| VRAM disponible | 0 GB |
| VRAM utilizada | 0 GB |
| RAM del sistema | |
| RAM mín. requerida | 78 GB |
| Capas GPU | 0 / 88 |
| Tamaño del contexto | 262.144 |
| Backend | cpu |
| Flash attention | No |
| Lectura desde disco | Sí |
Notas de rendimiento
Despliegue
Comando
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/nemotron-3-super-120b-a12b/q4_k_xl/cpu.yaml) applyArchivo values.yaml
/values/nemotron-3-super-120b-a12b/q4_k_xl/cpu.yaml
Cargando valores…Preguntas frecuentes
¿Cuánta VRAM necesita NVIDIA Nemotron 3 Super 120B A12B (Q4_K_XL)?
La cuantización Q4_K_XL de NVIDIA Nemotron 3 Super 120B A12B requiere 78.02 GB. Los 0 GB de VRAM de CPU Only son insuficientes para las capas GPU, por lo que la inferencia se ejecuta en el CPU.
¿Puedo ejecutar NVIDIA Nemotron 3 Super 120B A12B en CPU Only?
Es posible pero no recomendado. CPU Only no tiene suficiente VRAM para acelerar NVIDIA Nemotron 3 Super 120B A12B (Q4_K_XL), por lo que la inferencia dependerá del CPU y la RAM del sistema.
¿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. Q4_K_XL comprime NVIDIA Nemotron 3 Super 120B A12B de su tamaño original a 78.02 GB.
¿Qué cuantización debo elegir para NVIDIA Nemotron 3 Super 120B A12B?
Q4_K_XL es una cuantización de calidad media. 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.
¿Por qué se descargan algunas capas al CPU?
CPU Only tiene 0 GB de VRAM, pero NVIDIA Nemotron 3 Super 120B A12B (Q4_K_XL) requiere aproximadamente 78.02 GB. Solo 0 de 88 capas caben en la VRAM; las capas restantes se ejecutan en el CPU, que es más lento pero funcional.
¿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.