8× DGX Spark üzerinde Inkling — NVFP4, vLLM, TP8, spekülatif kod çözme k=1 çıkarım benchmark'ı
Bu yapılandırmayı LLM Çıkarım Benchmark Gezgini'nde aç
| Model | Inkling |
|---|---|
| Parametre | 952B |
| Zekâ Endeksi | 25 |
| Agentic Endeksi | 22.5 |
| Cihaz | 8× DGX Spark |
| Kuantizasyon | NVFP4 |
| Maks C | 2 |
| Chat Kapasitesi | 8 |
| Agentic Kapasitesi | 3 |
| TP | 8 |
| DP | — |
| PP | — |
| Inference Engine | vLLM |
| Spekülatif Kod Çözme | Evet |
| C | TTFT (ms) | TPS (tok/s) | Durum |
|---|---|---|---|
| 1 | 412 | 27.28 | PASS |
| 2 | 557 | 20.99 | PASS |
| 4 | 778 | 15.49 | FAIL |
| 8 | 8619 | 8.03 | FAIL |
OpenZeka'nın ölçümünde, 8× DGX Spark üzerinde vLLM ile NVFP4 formatında ve spekülatif kod çözmeyle sunulan Inkling (952B parametre, TP=8), tek istekte istek başına 27,3 tok/s üretim hızına ve 412 ms ilk token süresine (TTFT) ulaştı.
Hız hedefleri ve kullanılabilir KV önbelleği kapasitesi göz önünde bulundurulduğunda, tahmini kapasite chat kullanımı için 8, agentic kullanım için 3 kullanıcıdır. Gerçekçi kapasite muhtemelen bu iki değer arasında olacaktır. Kodlama, araç kullanımı, uzun iş akışları ve çoklu ajan kullanımının ağırlıklı olduğu senaryolarda kapasite agentic tahmine yaklaşırken; daha kısa etkileşimlerin, standart sohbetlerin ve daha hafif görevlerin ağırlıkta olduğu kullanımlarda chat tahminine yaklaşacaktır.
Notlar: Model: thinkingmachines/Inkling-NVFP4 (975B MoE, 552 GB). GMU 0.80, MoE FLASHINFER_CUTLASS
Zekâ Endeksi ve Agentic Endeksi değerleri Artificial Analysis tarafından yayımlanmıştır ve kaynak belirtilerek burada aktarılmıştır.
OpenZeka'nın ölçümünde, 8× DGX Spark üzerinde vLLM ile NVFP4 formatında ve spekülatif kod çözmeyle sunulan Inkling (952B parametre, TP=8), tek istekte istek başına 27,3 tok/s üretim hızına ve 412 ms ilk token süresine (TTFT) ulaştı.
Hız hedefleri ve kullanılabilir KV önbelleği kapasitesi göz önünde bulundurulduğunda, tahmini kapasite chat kullanımı için 8, agentic kullanım için 3 kullanıcıdır. Gerçekçi kapasite muhtemelen bu iki değer arasında olacaktır. Kodlama, araç kullanımı, uzun iş akışları ve çoklu ajan kullanımının ağırlıklı olduğu senaryolarda kapasite agentic tahmine yaklaşırken; daha kısa etkileşimlerin, standart sohbetlerin ve daha hafif görevlerin ağırlıkta olduğu kullanımlarda chat tahminine yaklaşacaktır.