01Ce qu'il sait faire
Points forts
- Débit élevé grâce aux 3B actifs
- 128k de contexte
- Raisonnement et code
- ~17 Go VRAM en Q4
Limites à connaître
- —Poids MoE 30B à charger en mémoire
- —Support outillage MoE variable selon runtime
- —Poids gated côté HuggingFace
Architecture
MoE 30B / 3B actifs · 128k contexte
Entraînement
NVIDIA, ligne Nemotron 3.5 à faible activation pensée pour l'inférence rapide en local. Licence NVIDIA Open Model.
Idéal pour
Raisonnement localAgents / codeInférence rapide MoE
02Mémoire requise
VRAM GPU approximative pour faire tourner ce modèle, overhead contexte de 4k tokens inclus. Pour un contexte plus long, ajoutez ~1 Go par tranche de 8k tokens.
Q4_K_M
Le plus léger, ~5% de perte
17 Go
Q5_K_M
Bon compromis qualité/taille
21 Go
Q8_0
Quasi-indistinguable de FP16
32 Go
FP16
Pleine précision — usage serveur
60 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 39 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
Quel GPU pour faire tourner Nemotron 3.5 Lightning 30B-A3B ?
Pour exécuter Nemotron 3.5 Lightning 30B-A3B en local en quantification Q4, il faut environ 17 Go de VRAM. Le meilleur rapport prix/performance : un RTX 4090 (24 Go de VRAM).
Où acheter le RTX 4090
DartyVoir RTX 4090 →RakutenVoir RTX 4090 →AmazonVoir RTX 4090 →Liens affiliés — commission possible sans surcoût pour vous, reco indépendante. En tant que Partenaire Amazon, QuelLLM réalise un bénéfice sur les achats remplissant les conditions requises.
03Vitesse attendue
Tokens générés par seconde en Q4_K_M, contexte 4k. Au-delà de 20 t/s, la lecture est confortable. En dessous de 10 t/s, c'est juste pour tester.
04Installer
Le chemin le plus court : Ollama. Une commande, le modèle est téléchargé et lancé.
$ollama run nemotron-3.5-lightning
LM Studio
Interface graphique, zéro CLI
→ Voir le guide
llama.cpp
Perf brute, build from source
→ Voir le guide
vLLM
Serveur OpenAI-compatible prod
→ Voir le guide
Jan / GPT4All
Apps desktop tout-en-un
→ Voir le guide
⚠
Premier téléchargement : entre 2 et 40 Go selon la quantization choisie. Espace disque à prévoir, connexion stable recommandée. Les relances suivantes sont instantanées.