NVIDIA Nemotron 3 Super 120B A12B (MXFP4_MOE) — 99.7 Gosur NVIDIA H100 320GB

Code Multilingual Thinking Tool Calls

MXFP4_MOE NVIDIA H100 320GB

Aperçu

NVIDIA Nemotron 3 Super 120B A12B est un modèle de langage moe de 123.61B paramètres par NVIDIA, avec des capacités en code, multilingual, thinking, tool-calls. Il prend en charge une fenêtre de contexte allant jusqu’à 262,144 tokens.

Nemotron 3 Super 120B A12B est un modèle hybride Mamba-2 Transformer LatentMoE de 123,61 milliards de paramètres de NVIDIA, activant 12 milliards de paramètres par token via 22 des 512 experts routés plus 1 expert partagé. Entraîné sur plus de 25 billions de tokens, il cible le raisonnement agentique, la génération de code, l'appel d'outils et la conversation multilingue dans 7 langues. Une fenêtre de contexte de 256K, un mode de raisonnement activable et la prédiction multi-tokens permettent une inférence à haut débit pour des workflows multi-agents complexes. Sa structure MoE se quantifie bien en GGUF pour un déploiement auto-hébergé sur des configurations multi-GPU.

Avec la quantification MXFP4_MOE (niveau de qualité high), le modèle pèse 76.42 Go. Cela tient dans les 320 Go de VRAM de NVIDIA H100 320GB, permettant une inférence entièrement sur GPU.

Configuration matérielle requise

Taille du modèle	76.42 GB
VRAM disponible	320 GB
VRAM utilisée	99.7 GB
RAM système
RAM min requise	0 GB
Couches GPU	88 / 88
Taille du contexte	262 144
Backend	cuda13
Flash attention	Oui
Lecture depuis le disque	Oui

Notes de performance

Déploiement

Prérequis

Assurez-vous que vos nœuds GPU sont préparés avec le NVIDIA container toolkit :

ansible-playbook prositronic.infra.nvidia_container_toolkit

Commande

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/nemotron-3-super-120b-a12b/mxfp4_moe/nvidia-h100-320gb.yaml) apply

Fichier `values.yaml`

/values/nemotron-3-super-120b-a12b/mxfp4_moe/nvidia-h100-320gb.yaml

Chargement des valeurs…

Installer llama.cpp

Installez llama.cpp depuis les instructions de compilation officielles pour votre plateforme et backend.

Télécharger le modèle

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"

Démarrer le serveur

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

Vérifier

curl http://localhost:8080/health

Questions fréquemment posées

De combien de VRAM NVIDIA Nemotron 3 Super 120B A12B (MXFP4_MOE) a-t-il besoin ?

La quantification MXFP4_MOE de NVIDIA Nemotron 3 Super 120B A12B nécessite 76.42 Go. Les 88 couches tiennent dans les 320 Go de VRAM disponibles sur NVIDIA H100 320GB, permettant une accélération GPU complète.

Puis-je exécuter NVIDIA Nemotron 3 Super 120B A12B sur NVIDIA H100 320GB ?

Oui. NVIDIA H100 320GB dispose de 320 Go de VRAM, ce qui suffit pour exécuter NVIDIA Nemotron 3 Super 120B A12B (MXFP4_MOE) avec toutes les couches sur le GPU pour des performances optimales.

Qu'est-ce que la quantification ?

La quantification réduit la précision numérique d'un modèle de son format virgule flottante original vers une représentation plus compacte. Cela réduit la taille du fichier et l'empreinte VRAM, rendant possible l'exécution de grands modèles sur du matériel grand public. Le compromis est une légère réduction de la qualité de sortie. MXFP4_MOE compresse NVIDIA Nemotron 3 Super 120B A12B de sa taille originale à 76.42 Go.

Quelle quantification choisir pour NVIDIA Nemotron 3 Super 120B A12B ?

MXFP4_MOE est une quantification haute qualité. Les quants de meilleure qualité (Q8, Q6) préservent davantage la précision du modèle mais nécessitent plus de VRAM. Les quants inférieurs (Q4, Q3, Q2) réduisent l'utilisation de la VRAM au prix d'une certaine qualité. Choisissez en fonction de votre matériel disponible et de vos exigences de qualité.

Qu'est-ce que le flash attention et pourquoi est-il activé ?

Flash attention est un algorithme efficace en mémoire qui accélère le mécanisme d'attention dans les modèles transformer. Il réduit l'utilisation de la VRAM pendant l'inférence en évitant la matérialisation de la matrice d'attention complète. Pour NVIDIA Nemotron 3 Super 120B A12B sur NVIDIA H100 320GB, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 320 Go de VRAM disponibles.

Qu'est-ce que MoE et comment cela affecte-t-il le déploiement ?

NVIDIA Nemotron 3 Super 120B A12B utilise une architecture Mixture-of-Experts (MoE) avec 512 experts, dont 22 sont actifs par token. Cela signifie que seule une fraction des poids du modèle est utilisée à chaque étape d'inférence, permettant aux modèles MoE d'avoir un plus grand nombre total de paramètres tout en restant efficaces lors de l'inférence.

Dernière mise à jour : 12 mars 2026