1× DGX Spark üzerinde Muse-Glimmer-30B — BF16, SGLang, TP1 çıkarım benchmark'ı
Bu yapılandırmayı LLM Çıkarım Benchmark Gezgini'nde aç
| Model | Muse-Glimmer-30B |
|---|---|
| Parametre | 30B |
| Zekâ Endeksi | 17.5 |
| Agentic Endeksi | 8.5 |
| Cihaz | 1× DGX Spark |
| Kuantizasyon | BF16 |
| Maks C | 1 |
| Chat Kapasitesi | 4 |
| Agentic Kapasitesi | 1 |
| TP | — |
| DP | — |
| PP | — |
| Inference Engine | SGLang |
| Spekülatif Kod Çözme | — |
| C | TTFT (ms) | TPS (tok/s) | Durum |
|---|---|---|---|
| 1 | 765 | 25.04 | PASS |
| 2 | 1002 | 22.75 | FAIL |
| 4 | 1106 | 20.50 | FAIL |
| 8 | 1190 | 17.42 | FAIL |
OpenZeka'nın ölçümünde, 1× DGX Spark üzerinde SGLang ile BF16 formatında sunulan Muse-Glimmer-30B (30B parametre), tek istekte istek başına 25 tok/s üretim hızına ve 765 ms ilk token süresine (TTFT) ulaştı.
Hız hedefleri ve kullanılabilir KV önbelleği kapasitesi göz önünde bulundurulduğunda, tahmini kapasite chat kullanımı için 4, agentic kullanım için 1 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: max_model_len 131072
Zekâ Endeksi ve Agentic Endeksi değerleri Artificial Analysis tarafından yayımlanmıştır ve kaynak belirtilerek burada aktarılmıştır.
OpenZeka'nın ölçümünde, 1× DGX Spark üzerinde SGLang ile BF16 formatında sunulan Muse-Glimmer-30B (30B parametre), tek istekte istek başına 25 tok/s üretim hızına ve 765 ms ilk token süresine (TTFT) ulaştı.
Hız hedefleri ve kullanılabilir KV önbelleği kapasitesi göz önünde bulundurulduğunda, tahmini kapasite chat kullanımı için 4, agentic kullanım için 1 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.