NVIDIA Nemotron 3.5 Super VL 120B A12B

Vergleichen

NVIDIA Nemotron 3.5 Super VL 120B A12B braucht mit der Variante Q4_0 rund 75,2 GB Speicher und läuft auf 66 von 740 geführten Geräten flüssig.

Mit dem wenigsten Speicher schafft es: Apple Mac Studio (2022), M1 Ultra mit 48-Kern-GPU, 128 GB.

Berechnet für 4.096 Token Kontext (Anwendungsfall „Ausprobieren, Neugier“). Die Tempowerte sind an veröffentlichten und eigenen Messungen abgeglichen, aber nicht auf diesem Gerät gemessen. Ausgenommen sind Werte mit dem Zusatz „nicht an Messungen abgeglichen“: für sie fehlt der Abgleich, sie sind unsicher.

Wofür möchten Sie das Modell nutzen?
Mehr zu diesem Einsatzzweck: Modelle und Geräte nach Preis
Anbieter
NVIDIA
Parameter
123,6 Mrd., davon 12 Mrd. aktiv
Längster Kontext
1.048.576 Token
Nimmt entgegen
Text und Bilder
Lizenz
eigene Lizenz des Anbieters

So starten Sie es mit Ollama:

$ ollama run hf.co/ggml-org/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-GGUF:Q4_0
>>> /set parameter num_ctx 4096

Ab 24 GB Grafikspeicher wählt Ollama von selbst mehr Kontext und braucht dann mehr Speicher; beim Mac zählt dabei der Teil des Arbeitsspeichers, den macOS der Grafik zuteilt. Die zweite Zeile, nach dem Start in Ollama eingegeben, hält den Kontext bei den 4.096 Token, für die die Zahlen hier gelten. Spricht ein Programm Ollama über die Schnittstelle an, etwa ein Agent, gilt die zweite Zeile nicht; dann starten Sie Ollama mit OLLAMA_CONTEXT_LENGTH=4096.

Oder mit llama.cpp, mit dem Kontext dieser Seite (lädt das Modell von Hugging Face):

$ llama-server -hf ggml-org/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-GGUF:Q4_0 -c 4096

Für mehrere Nutzer gleichzeitig: Ollama bedient dieses Modell immer nur mit einer Anfrage nach der anderen. Bei anderen Modellen lässt sich das über die Einstellung OLLAMA_NUM_PARALLEL ändern, hier nicht: Ollama setzt den Wert für diese Modellart selbst zurück. Die Tempoangaben oben gelten für eine einzelne Anfrage.

Geräte, auf denen es flüssig läuft

Die Tempowerte sind berechnet, nicht auf dem Gerät gemessen, und an veröffentlichten und eigenen Messungen abgeglichen. Ausgenommen sind die mit * markierten Werte: sie sind nicht abgeglichen und deshalb unsicher.

GerätUrteilTempoSpeicher
Apple Mac Studio (2022), M1 Ultra mit 48-Kern-GPU, 128 GBLäuft gut28 bis 42 Token/s *128 GB
davon 96,0 GB nutzbar
Apple Mac Studio (2023), M2 Ultra mit 60-Kern-GPU, 128 GBLäuft gut28 bis 42 Token/s *128 GB
davon 96,0 GB nutzbar
Apple Mac Studio (2023), M2 Ultra mit 76-Kern-GPU, 128 GBLäuft gut28 bis 42 Token/s *128 GB
davon 96,0 GB nutzbar
Apple Mac Pro (2023), M2 Ultra mit 60-Kern-GPU, 128 GBLäuft gut28 bis 42 Token/s *128 GB
davon 96,0 GB nutzbar
Apple Mac Pro (2023), M2 Ultra mit 76-Kern-GPU, 128 GBLäuft gut28 bis 42 Token/s *128 GB
davon 96,0 GB nutzbar
Apple Mac Studio (2022), M1 Ultra mit 64-Kern-GPU, 128 GBLäuft gut28 bis 42 Token/s *128 GB
davon 96,0 GB nutzbar
Apple MacBook Pro 14 Zoll (2026), M5 Max mit 40-Kern-GPU, 128 GBLäuft gut24 bis 36 Token/s *128 GB
davon 96,0 GB nutzbar
Apple MacBook Pro 16 Zoll (2026), M5 Max mit 40-Kern-GPU, 128 GBLäuft gut24 bis 36 Token/s *128 GB
davon 96,0 GB nutzbar
Apple Mac Studio (2026), M5 Max mit 40-Kern-GPU, 128 GBLäuft gut24 bis 36 Token/s *128 GB
davon 96,0 GB nutzbar
Apple MacBook Pro 16 Zoll (2024), M4 Max mit 40-Kern-GPU, 128 GBLäuft gut23 bis 33 Token/s *128 GB
davon 96,0 GB nutzbar

und 56 weitere

Grafikkarten, in die es ganz passt

GrafikkarteUrteilTempoSpeicher
NVIDIA RTX PRO 6000 Blackwell, 96 GBLäuft gut63 bis 101 Token/s96 GB
davon 95,2 GB nutzbar

Alle Geräte und Grafikkarten für NVIDIA Nemotron 3.5 Super VL 120B A12B

Was die Angaben bedeuten
  • Token: Ein Modell liest und schreibt in Wortstücken, den Token. Ein deutsches Wort sind rund 1,5 bis 1,8 Token.
  • Token/s: So viele Token schreibt das Modell je Sekunde. Angegeben ist eine Spanne, gerechnet, nicht auf diesem Gerät gemessen.
  • Kontext: Wie viel Text das Modell auf einmal im Blick behält, also Ihre Frage, angehängte Dokumente und den bisherigen Verlauf, gezählt in Token. Mehr Kontext braucht mehr Speicher.
  • Mrd.: Milliarden Parameter, die Größe des Modells. Größere Modelle antworten in der Regel besser und brauchen mehr Speicher.
  • „davon … aktiv“: Das Modell (Mixture-of-Experts) rechnet je Token nur mit einem Teil seiner Parameter. Das macht es schneller; Speicher braucht es trotzdem für alle.
  • Q4_K_M, Q8_0 und ähnlich: die Stufe der Quantisierung. Die Zahlen des Modells werden mit weniger Bits gespeichert; je kleiner die Zahl hinter dem Q, desto kleiner die Datei und desto größer die Abweichung vom Original.
  • VL im Namen steht für Vision-Language: solche Modelle lesen auch Bilder. Was ein Modell entgegennimmt, steht auf seiner Seite unter „Nimmt entgegen“.
  • „Läuft gut“: Das Modell passt ganz in den Speicher und schafft in der Mitte der Spanne mindestens 10 Token/s; beginnt die Spanne darunter, schreiben wir „knapp flüssig“. „Eingeschränkt“: Es passt, ist aber langsamer, oder ein Teil liegt im Arbeitsspeicher. Ob die Antworten stimmen, sagt beides nicht.
  • „21,9 von 48,0 GB“: Links steht, was das Modell an Speicher braucht, rechts, was das Gerät für Modelle frei hat. Das ist weniger als eingebaut, weil ein Teil für Betriebssystem, Anzeige und Programme bleibt; wie viel, steht bei den Gerätedaten unter „Davon für Modelle nutzbar“.
  • „*“ am Tempo: Die Rechnung geht hier über ihre Messungen hinaus, der Wert ist unsicherer.
  • „Der Speicher für den Kontext ist geschätzt“: Für die Bauart dieses Modells lesen wir den Speicher für den Kontext nicht aus der Modelldatei ab, sondern schätzen ihn aus der Modellgröße.
  • Wie wir rechnen

Varianten

Der Bedarf gilt für 4.096 Token Kontext. Dabei bleibt Ollama, wenn Sie nach dem Start „/set parameter num_ctx 4096“ eingeben.

VarianteDateiSpeicherbedarfStartbefehl
Q4_071,9 GB75,2 GBollama run hf.co/ggml-org/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-GGUF:Q4_0
Q8_0128,5 GB132,8 GBollama run hf.co/ggml-org/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-GGUF:Q8_0
BF16241,5 GB248,9 GBollama run hf.co/ggml-org/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-GGUF:BF16

Quelle: https://huggingface.co/ggml-org/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-GGUF

Weitere Ratgeber