NVIDIA Nemotron 3 Super 120B A12B (Q3_K_S) — 80.8 GBsu Scaleway L40S-4-48G

Q3_K_S Scaleway L40S-4-48G

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 Q3_K_S (livello di qualità low), il modello pesa 57.48 GB. Questo rientra nei 192 GB di VRAM di Scaleway L40S-4-48G, consentendo l'inferenza completa su GPU.

Requisiti Hardware

Dimensione del modello	57.48 GB
VRAM disponibile	192 GB
VRAM utilizzata	80.8 GB
RAM di sistema	384 GB
Livelli GPU	88 / 88
Dimensione del contesto	262.144
Backend	cuda13
Flash attention	Sì

Note sulle prestazioni

Mixture-of-Experts

Questo è un modello Mixture-of-Experts con 512 esperti totali, di cui 22 sono attivi per token. Solo gli esperti attivi necessitano di accesso rapido alla GPU — i pesi degli esperti inattivi possono risiedere nella RAM di sistema con un impatto minimo sulla velocità di generazione.

Leggi la guida al deployment MoE →

Distribuzione

Server Locale

Prerequisiti

Assicurati che i nodi GPU siano preparati con il NVIDIA container toolkit:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Comando

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/nemotron-3-super-120b-a12b/q3_k_s/nvidia-l40s-192gb.yaml) apply

File values.yaml

/values/nemotron-3-super-120b-a12b/q3_k_s/nvidia-l40s-192gb.yaml

Caricamento valori…

Installa llama.cpp

Installa llama.cpp dalle istruzioni di compilazione ufficiali per la tua piattaforma e backend.

Scarica modello

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_S/NVIDIA-Nemotron-3-Super-120B-A12B-UD-Q3_K_S-00001-of-00003.gguf"

Avvia server

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

Verifica

curl http://localhost:8080/health

Esplora

• Configura una distribuzione
• Esplora modelli
• Esplora hardware

Altre quantizzazioni

• 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)

Altro hardware

• 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

Domande frequenti

Quanta VRAM serve per NVIDIA Nemotron 3 Super 120B A12B (Q3_K_S)?

La quantizzazione Q3_K_S di NVIDIA Nemotron 3 Super 120B A12B richiede 57.48 GB. Tutti i 88 livelli entrano nei 192 GB di VRAM disponibili su Scaleway L40S-4-48G, consentendo un'accelerazione GPU completa.

Posso eseguire NVIDIA Nemotron 3 Super 120B A12B su Scaleway L40S-4-48G?

Sì. Scaleway L40S-4-48G offre 192 GB di VRAM, sufficienti per eseguire NVIDIA Nemotron 3 Super 120B A12B (Q3_K_S) 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. Q3_K_S comprime NVIDIA Nemotron 3 Super 120B A12B dalla sua dimensione originale a 57.48 GB.

Quale quantizzazione scegliere per NVIDIA Nemotron 3 Super 120B A12B?

Q3_K_S 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 Scaleway L40S-4-48G, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 192 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.

Ultimo aggiornamento: 12 marzo 2026