NVIDIA Nemotron 3 Super 120B A12B (Q2_K_XL) — 23.4 GBsu NVIDIA RTX 3090
Panoramica
NVIDIA Nemotron 3 Super 120B A12B è un modello linguistico moe da 123.61B parametri di NVIDIA, con capacità di code, multilingual, thinking, tool-calls. Supporta una finestra di contesto fino a 262,144 token.
Nemotron 3 Super 120B A12B è un modello ibrido Mamba-2 Transformer LatentMoE da 123,61 miliardi di parametri di NVIDIA, che attiva 12 miliardi di parametri per token tramite 22 dei 512 esperti instradati più 1 esperto condiviso. Addestrato su oltre 25 bilioni di token, è orientato al ragionamento agentico, generazione di codice, chiamata di strumenti e conversazione multilingue in 7 lingue. Una finestra di contesto da 256K, modalità di ragionamento attivabile e predizione multi-token consentono inferenza ad alto throughput per flussi di lavoro multi-agente complessi. La sua struttura MoE si quantizza bene in formato GGUF per il deployment self-hosted su configurazioni multi-GPU.
Con la quantizzazione Q2_K_XL (livello di qualità low), il modello pesa 50.9 GB. Questo supera i 24 GB di VRAM di NVIDIA RTX 3090. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.
La NVIDIA GeForce RTX 3090 e una GPU consumer con 24 GB di GDDR6X VRAM e 936 GB/s di larghezza di banda della memoria. Offre 35.6 FP16 TFLOPS, garantendo prestazioni solide per l'inferenza LLM locale a un costo inferiore rispetto alle schede piu recenti. Esegue bene modelli quantizzati fino a 20B parametri. Una scelta pratica per sviluppatori attenti al budget e appassionati di home lab.
Requisiti Hardware
| Dimensione del modello | 50.9 GB |
| VRAM disponibile | 24 GB |
| VRAM utilizzata | 23.4 GB |
| RAM di sistema | |
| RAM min richiesta | 50.8 GB |
| Livelli GPU | 88 / 88 |
| Dimensione del contesto | 262.144 |
| Backend | cuda13 |
| Flash attention | Sì |
| Lettura da disco | Sì |
Note sulle prestazioni
Distribuzione
Prerequisiti
Assicurati che i nodi GPU siano preparati con il NVIDIA container toolkit:
ansible-playbook prositronic.infra.nvidia_container_toolkitComando
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/nemotron-3-super-120b-a12b/q2_k_xl/nvidia-rtx3090.yaml) applyFile values.yaml
/values/nemotron-3-super-120b-a12b/q2_k_xl/nvidia-rtx3090.yaml
Caricamento valori…Domande frequenti
Quanta VRAM serve per NVIDIA Nemotron 3 Super 120B A12B (Q2_K_XL)?
La quantizzazione Q2_K_XL di NVIDIA Nemotron 3 Super 120B A12B richiede 50.9 GB. Tutti i 88 livelli entrano nei 24 GB di VRAM disponibili su NVIDIA RTX 3090, consentendo un'accelerazione GPU completa.
Posso eseguire NVIDIA Nemotron 3 Super 120B A12B su NVIDIA RTX 3090?
Sì. NVIDIA RTX 3090 offre 24 GB di VRAM, sufficienti per eseguire NVIDIA Nemotron 3 Super 120B A12B (Q2_K_XL) con tutti i livelli sulla GPU per prestazioni ottimali.
Cos'è la quantizzazione?
La quantizzazione riduce la precisione numerica di un modello dal suo formato originale in virgola mobile a una rappresentazione più compatta. Questo riduce la dimensione del file e l'impronta VRAM, rendendo possibile eseguire modelli di grandi dimensioni su hardware consumer. Il compromesso è una leggera riduzione della qualità dell'output. Q2_K_XL comprime NVIDIA Nemotron 3 Super 120B A12B dalla sua dimensione originale a 50.9 GB.
Quale quantizzazione scegliere per NVIDIA Nemotron 3 Super 120B A12B?
Q2_K_XL è una quantizzazione di bassa qualità. I quant di qualità superiore (Q8, Q6) preservano maggiore precisione del modello ma necessitano di più VRAM. I quant inferiori (Q4, Q3, Q2) riducono l'uso di VRAM a scapito della qualità. Scegli in base al tuo hardware disponibile e ai requisiti di qualità.
Cos'è il flash attention e perché è attivato?
Flash attention è un algoritmo efficiente in memoria che accelera il meccanismo di attenzione nei modelli transformer. Riduce l'uso di VRAM durante l'inferenza evitando la materializzazione della matrice di attenzione completa. Per NVIDIA Nemotron 3 Super 120B A12B su NVIDIA RTX 3090, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 24 GB di VRAM disponibili.
Cos'è MoE e come influisce sulla distribuzione?
NVIDIA Nemotron 3 Super 120B A12B utilizza un'architettura Mixture-of-Experts (MoE) con 512 esperti, di cui 22 attivi per token. Ciò significa che solo una frazione dei pesi del modello viene utilizzata per ogni passaggio di inferenza, consentendo ai modelli MoE di avere un numero totale di parametri maggiore rimanendo efficienti durante l'inferenza.