NVIDIA Nemotron 3 Super 120B A12B (Q4_K_XL) — 23.4 Gosur NVIDIA L40S
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 Q4_K_XL (niveau de qualité medium), le modèle pèse 78.02 Go. Cela dépasse les 48 Go de VRAM de NVIDIA L40S. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.
La NVIDIA L40S est un GPU datacenter avec 48 Go de GDDR6 VRAM et 864 Go/s de bande passante memoire. Elle delivre 362 FP16 TFLOPS avec l'architecture Ada Lovelace. Un GPU polyvalent pour l'inference IA, l'entrainement et les charges graphiques. Gere confortablement les modeles quantifies jusqu'a 40B parametres.
Configuration matérielle requise
| Taille du modèle | 78.02 GB |
| VRAM disponible | 48 GB |
| VRAM utilisée | 23.4 GB |
| RAM système | |
| RAM min requise | 77.9 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_toolkitCommande
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/nemotron-3-super-120b-a12b/q4_k_xl/nvidia-l40s.yaml) applyFichier values.yaml
/values/nemotron-3-super-120b-a12b/q4_k_xl/nvidia-l40s.yaml
Chargement des valeurs…Questions fréquemment posées
De combien de VRAM NVIDIA Nemotron 3 Super 120B A12B (Q4_K_XL) a-t-il besoin ?
La quantification Q4_K_XL de NVIDIA Nemotron 3 Super 120B A12B nécessite 78.02 Go. Les 88 couches tiennent dans les 48 Go de VRAM disponibles sur NVIDIA L40S, permettant une accélération GPU complète.
Puis-je exécuter NVIDIA Nemotron 3 Super 120B A12B sur NVIDIA L40S ?
Oui. NVIDIA L40S dispose de 48 Go de VRAM, ce qui suffit pour exécuter NVIDIA Nemotron 3 Super 120B A12B (Q4_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. Q4_K_XL compresse NVIDIA Nemotron 3 Super 120B A12B de sa taille originale à 78.02 Go.
Quelle quantification choisir pour NVIDIA Nemotron 3 Super 120B A12B ?
Q4_K_XL est une quantification qualité moyenne. 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 L40S, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 48 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.