1× DGX Spark üzerinde Qwen3.8-27B — NVFP4, SGLang, TP1, spekülatif kod çözme k=8 çıkarım benchmark'ı
Bu yapılandırmayı LLM Çıkarım Benchmark Gezgini'nde aç
| Model | Qwen3.8-27B |
|---|---|
| Parametre | 27B |
| Zekâ Endeksi | 33.7 |
| Agentic Endeksi | 45.8 |
| Cihaz | 1× DGX Spark |
| Kuantizasyon | NVFP4 |
| Maks C | 8 |
| Chat Kapasitesi | 32 |
| Agentic Kapasitesi | 12 |
| TP | — |
| DP | — |
| PP | — |
| Inference Engine | SGLang |
| Spekülatif Kod Çözme | Evet |
| C | TTFT (ms) | TPS (tok/s) | Durum |
|---|---|---|---|
| 1 | 232 | 47.94 | PASS |
| 2 | 320 | 39.80 | PASS |
| 4 | 343 | 35.60 | PASS |
| 8 | 389 | 27.64 | PASS |
| 16 | 2357 | 18.62 | FAIL |
| 32 | 9388 | 9.47 | FAIL |
OpenZeka'nın ölçümünde, 1× DGX Spark üzerinde SGLang ile NVFP4 formatında ve spekülatif kod çözmeyle sunulan Qwen3.8-27B (27B parametre), tek istekte istek başına 47,9 tok/s üretim hızına ve 232 ms ilk token süresine (TTFT) ulaştı.
Hız hedefleri ve kullanılabilir KV önbelleği kapasitesi göz önünde bulundurulduğunda, tahmini kapasite chat kullanımı için 32, agentic kullanım için 12 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: DFlash2 Ultimate, BF16-LMHead, k=8, mem-fraction 0.50, KV fp8_e4m3
Zekâ Endeksi ve Agentic Endeksi değerleri Artificial Analysis tarafından yayımlanmıştır ve kaynak belirtilerek burada aktarılmıştır.
OpenZeka'nın ölçümünde, 1× DGX Spark üzerinde SGLang ile NVFP4 formatında ve spekülatif kod çözmeyle sunulan Qwen3.8-27B (27B parametre), tek istekte istek başına 47,9 tok/s üretim hızına ve 232 ms ilk token süresine (TTFT) ulaştı.
Hız hedefleri ve kullanılabilir KV önbelleği kapasitesi göz önünde bulundurulduğunda, tahmini kapasite chat kullanımı için 32, agentic kullanım için 12 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.