NVIDIA Nemotron 3 Super 120B A12B (Q5_K_M) — 15.4 GBsu Apple M2 Pro 16GB
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 Q5_K_M (livello di qualità medium), il modello pesa 99.97 GB. Questo supera i 16 GB di VRAM di Apple M2 Pro 16GB. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.
Requisiti Hardware
| Dimensione del modello | 99.97 GB |
| VRAM disponibile | 16 GB |
| VRAM utilizzata | 15.4 GB |
| RAM di sistema | |
| RAM min richiesta | 99.8 GB |
| Livelli GPU | 88 / 88 |
| Dimensione del contesto | 166.163 |
| Backend | metal |
| Flash attention | Sì |
| Lettura da disco | Sì |
Note sulle prestazioni
Distribuzione
Installa llama.cpp
brew install llama.cppScarica modello
curl -L -o nemotron-3-super-120b-a12b.gguf "https://huggingface.co/unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF/resolve/main/UD-Q5_K_M/NVIDIA-Nemotron-3-Super-120B-A12B-UD-Q5_K_M-00001-of-00004.gguf"Avvia server
llama-server \
-m nemotron-3-super-120b-a12b.gguf \
--n-gpu-layers 88 \
--ctx-size 166163 \
--flash-attn \
-ot ".ffn_.*_exps.=CPU"Verifica
curl http://localhost:8080/healthDomande frequenti
Quanta VRAM serve per NVIDIA Nemotron 3 Super 120B A12B (Q5_K_M)?
La quantizzazione Q5_K_M di NVIDIA Nemotron 3 Super 120B A12B richiede 99.97 GB. Tutti i 88 livelli entrano nei 16 GB di VRAM disponibili su Apple M2 Pro 16GB, consentendo un'accelerazione GPU completa.
Posso eseguire NVIDIA Nemotron 3 Super 120B A12B su Apple M2 Pro 16GB?
Sì. Apple M2 Pro 16GB offre 16 GB di VRAM, sufficienti per eseguire NVIDIA Nemotron 3 Super 120B A12B (Q5_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. Q5_K_M comprime NVIDIA Nemotron 3 Super 120B A12B dalla sua dimensione originale a 99.97 GB.
Quale quantizzazione scegliere per NVIDIA Nemotron 3 Super 120B A12B?
Q5_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 Apple M2 Pro 16GB, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 16 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.