NVIDIA Nemotron 3 Super 120B A12B (Q2_K_XL) — 19.4 Gosur Hetzner GEX44
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 Q2_K_XL (niveau de qualité low), le modèle pèse 50.9 Go. Cela dépasse les 20 Go de VRAM de Hetzner GEX44. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.
Configuration matérielle requise
| Taille du modèle | 50.9 GB |
| VRAM disponible | 20 GB |
| VRAM utilisée | 19.4 GB |
| RAM système | 64 GB |
| RAM min requise | 50.8 GB |
| Couches GPU | 88 / 88 |
| Taille du contexte | 215 055 |
| 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_toolkitCommande
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/nemotron-3-super-120b-a12b/q2_k_xl/nvidia-rtx4000sff.yaml) applyFichier values.yaml
/values/nemotron-3-super-120b-a12b/q2_k_xl/nvidia-rtx4000sff.yaml
Chargement des valeurs…Questions fréquemment posées
De combien de VRAM NVIDIA Nemotron 3 Super 120B A12B (Q2_K_XL) a-t-il besoin ?
La quantification Q2_K_XL de NVIDIA Nemotron 3 Super 120B A12B nécessite 50.9 Go. Les 88 couches tiennent dans les 20 Go de VRAM disponibles sur Hetzner GEX44, permettant une accélération GPU complète.
Puis-je exécuter NVIDIA Nemotron 3 Super 120B A12B sur Hetzner GEX44 ?
Oui. Hetzner GEX44 dispose de 20 Go de VRAM, ce qui suffit pour exécuter NVIDIA Nemotron 3 Super 120B A12B (Q2_K_XL) 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. Q2_K_XL compresse NVIDIA Nemotron 3 Super 120B A12B de sa taille originale à 50.9 Go.
Quelle quantification choisir pour NVIDIA Nemotron 3 Super 120B A12B ?
Q2_K_XL est une quantification basse 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 Hetzner GEX44, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 20 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.