NVIDIA Nemotron 3 Super 120B A12B (Q4_K_M) — 23.4 GBsu Scaleway H100-1-80G

Q4_K_M Scaleway H100-1-80G

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 Q4_K_M (livello di qualità medium), il modello pesa 76.87 GB. Questo rientra nei 80 GB di VRAM di Scaleway H100-1-80G, consentendo l'inferenza completa su GPU.

La NVIDIA H100 80 GB e una GPU datacenter con 80 GB di HBM3 VRAM e 3350 GB/s di larghezza di banda della memoria. Offre 1979 FP16 TFLOPS sull'architettura Hopper, rendendola l'opzione GPU singola piu veloce per l'inferenza di grandi modelli linguistici. Gestisce modelli fino a 70B parametri con elevato throughput. Progettata per team datacenter che eseguono carichi di lavoro IA impegnativi in produzione.

Requisiti Hardware

Dimensione del modello	76.87 GB
VRAM disponibile	80 GB
VRAM utilizzata	23.4 GB
RAM di sistema	240 GB
RAM min richiesta	76.7 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 →

Impatto minimo sulle prestazioni

Tutti i pesi degli esperti scaricati su CPU — solo 22/512 esperti vengono attivati per token, quindi l'impatto sulle prestazioni è trascurabile.

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/q4_k_m/nvidia-h100-80gb.yaml) apply

File values.yaml

/values/nemotron-3-super-120b-a12b/q4_k_m/nvidia-h100-80gb.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-Q4_K_M/NVIDIA-Nemotron-3-Super-120B-A12B-UD-Q4_K_M-00001-of-00003.gguf"

Avvia server

llama-server \
  -m nemotron-3-super-120b-a12b.gguf \
  --n-gpu-layers 88 \
  --ctx-size 262144 \
  --flash-attn \
  -ot ".ffn_.*_exps.=CPU"

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)

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 RTX 3090

Domande frequenti

Quanta VRAM serve per NVIDIA Nemotron 3 Super 120B A12B (Q4_K_M)?

La quantizzazione Q4_K_M di NVIDIA Nemotron 3 Super 120B A12B richiede 76.87 GB. Tutti i 88 livelli entrano nei 80 GB di VRAM disponibili su Scaleway H100-1-80G, consentendo un'accelerazione GPU completa.

Posso eseguire NVIDIA Nemotron 3 Super 120B A12B su Scaleway H100-1-80G?

Sì. Scaleway H100-1-80G offre 80 GB di VRAM, sufficienti per eseguire NVIDIA Nemotron 3 Super 120B A12B (Q4_K_M) 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. Q4_K_M comprime NVIDIA Nemotron 3 Super 120B A12B dalla sua dimensione originale a 76.87 GB.

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

Q4_K_M è una quantizzazione di qualità media. 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 H100-1-80G, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 80 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: 20 marzo 2026