LLM Inference Benchmark Explorer
Muse-Glimmer-30B op 1× DGX Spark — BF16, SGLang, TP1 inferentiebenchmark
Open deze configuratie in de LLM Inference Benchmark Explorer
| Model | Muse-Glimmer-30B |
|---|---|
| Parameters | 30B |
| Intelligence Index | 17.5 |
| Agentic Index | 8.5 |
| Apparaat | 1× DGX Spark |
| Kwantisatie | BF16 |
| Max C | 1 |
| Chatcapaciteit | 4 |
| Agentische capaciteit | 1 |
| TP | — |
| DP | — |
| PP | — |
| Engine | SGLang |
| Speculatieve decodering | — |
| C | TTFT (ms) | TPS (tok/s) | Status |
|---|---|---|---|
| 1 | 765 | 25.04 | PASS |
| 2 | 1002 | 22.75 | FAIL |
| 4 | 1106 | 20.50 | FAIL |
| 8 | 1190 | 17.42 | FAIL |
In de meting van OpenZeka bereikte Muse-Glimmer-30B (30B parameters), aangeboden in BF16-formaat met SGLang op 1× DGX Spark, met één verzoek een generatiesnelheid van 25 tok/s per verzoek en een time to first token (TTFT) van 765 ms.
Rekening houdend met de snelheidsdoelen en de beschikbare KV-cachecapaciteit, bedraagt de geschatte capaciteit 4 gebruikers voor chatgebruik en 1 voor agentisch gebruik. De realistische capaciteit ligt waarschijnlijk tussen deze twee waarden. In scenario's waarin programmeren, toolgebruik, lange workflows en multi-agentgebruik overheersen, benadert de capaciteit de agentische schatting; waar kortere interacties, standaardgesprekken en lichtere taken overheersen, benadert zij de chatschatting.
Opmerkingen: max_model_len 131072
De waarden van Intelligence Index en Agentic Index worden gepubliceerd door Artificial Analysis en worden hier met bronvermelding overgenomen.
In de meting van OpenZeka bereikte Muse-Glimmer-30B (30B parameters), aangeboden in BF16-formaat met SGLang op 1× DGX Spark, met één verzoek een generatiesnelheid van 25 tok/s per verzoek en een time to first token (TTFT) van 765 ms.
Rekening houdend met de snelheidsdoelen en de beschikbare KV-cachecapaciteit, bedraagt de geschatte capaciteit 4 gebruikers voor chatgebruik en 1 voor agentisch gebruik. De realistische capaciteit ligt waarschijnlijk tussen deze twee waarden. In scenario's waarin programmeren, toolgebruik, lange workflows en multi-agentgebruik overheersen, benadert de capaciteit de agentische schatting; waar kortere interacties, standaardgesprekken en lichtere taken overheersen, benadert zij de chatschatting.