NVIDIA Nemotron 3 Super 120B A12B (Q3_K_XL) — 15.4 Gosur NVIDIA RTX 5070 Ti

Q3_K_XL NVIDIA RTX 5070 Ti

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 Q3_K_XL (niveau de qualité low), le modèle pèse 58.33 Go. Cela dépasse les 16 Go de VRAM de NVIDIA RTX 5070 Ti. 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	58.33 GB
VRAM disponible	16 GB
VRAM utilisée	15.4 GB
RAM min requise	58.2 GB
Couches GPU	88 / 88
Taille du contexte	167 206
Backend	cuda13
Flash attention	Oui

Notes de performance

Mixture-of-Experts

Il s'agit d'un modèle Mixture-of-Experts avec 512 experts au total, dont 22 sont actifs par token. Seuls les experts actifs nécessitent un accès GPU rapide — les poids des experts inactifs peuvent résider dans la RAM système avec un impact minimal sur la vitesse de génération.

Lire le guide de déploiement MoE →

Impact possible sur les performances

Poids des experts déchargés sur le CPU via le remplacement de tenseurs. Au moins 58.2 Go de RAM système recommandés — si insuffisante, les données seront lues depuis le disque à la demande.

Conversations plus courtes

La taille du contexte a été réduite en raison de contraintes mémoire. Cela peut affecter la capacité du modèle à gérer de longues conversations.

Déploiement

Serveur Local

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/q3_k_xl/nvidia-rtx5070ti.yaml) apply

Fichier values.yaml

/values/nemotron-3-super-120b-a12b/q3_k_xl/nvidia-rtx5070ti.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/UD-Q3_K_XL/NVIDIA-Nemotron-3-Super-120B-A12B-UD-Q3_K_XL-00001-of-00003.gguf"

Démarrer le serveur

llama-server \
  -m nemotron-3-super-120b-a12b.gguf \
  --n-gpu-layers 88 \
  --ctx-size 167206 \
  --flash-attn \
  -ot ".ffn_.*_exps.=CPU"

Vérifier

curl http://localhost:8080/health

Explorer

• Configurer un déploiement
• Parcourir les modèles
• Parcourir le matériel

Autres quantifications

• 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)

Autre matériel

• 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

Questions fréquemment posées

De combien de VRAM NVIDIA Nemotron 3 Super 120B A12B (Q3_K_XL) a-t-il besoin ?

La quantification Q3_K_XL de NVIDIA Nemotron 3 Super 120B A12B nécessite 58.33 Go. Les 88 couches tiennent dans les 16 Go de VRAM disponibles sur NVIDIA RTX 5070 Ti, permettant une accélération GPU complète.

Puis-je exécuter NVIDIA Nemotron 3 Super 120B A12B sur NVIDIA RTX 5070 Ti ?

Oui. NVIDIA RTX 5070 Ti dispose de 16 Go de VRAM, ce qui suffit pour exécuter NVIDIA Nemotron 3 Super 120B A12B (Q3_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. Q3_K_XL compresse NVIDIA Nemotron 3 Super 120B A12B de sa taille originale à 58.33 Go.

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

Q3_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 NVIDIA RTX 5070 Ti, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 16 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