/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,8 ГБ
Лицензия
Своя лицензия
Базовая модель
NVIDIA-Nemotron-3-Nano-30B-A3B-BF16
Библиотека
mlx
Опубликована
13 апр 2026

Nemotron-3-Nano-30B-A3B-RotorQuant-MLX-4bit

Генерация текстаТекст → текст4 профессии

4-битная MLX-версия диалоговой языковой модели NVIDIA Nemotron-3-Nano-30B-A3B для локальной генерации текста на Apple Silicon.

40скачиваний за 30 дней0лайковвеса обновлены20 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это 4-битная версия языковой модели NVIDIA Nemotron-3-Nano-30B-A3B, подготовленная majentik для запуска на компьютерах Apple Silicon с использованием MLX. В основе лежит nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16; общая ёмкость модели составляет 30,7 млрд параметров, из которых на каждом токене активны 3,2 млрд. Архитектура сочетает Mamba-2 и Transformer с разреженным MoE.

Модель предназначена для диалоговой генерации текста и локального инференса. Гибридная архитектура поддерживает длинный контекст до 1 млн токенов, а 4-битное представление занимает около 17 ГБ памяти. RotorQuant в названии — метка выпуска; веса используют стандартную квантизацию MLX, а отдельное ускорение от этой метки не заявлено. Указанное в README применение RotorQuant для KV-кэша относится к устаревшему экспериментальному форку; для экономии памяти README рекомендует штатные параметры KV-кэша llama.cpp или Ollama.

В метаданных указаны английский язык и лицензия other. Модель требует примерно 17 ГБ объединённой памяти; README рекомендует Apple Silicon Mac с 24 ГБ или более. Качество генерации может уступать исходной версии BF16 из-за 4-битной квантизации; результаты и скорость на конкретном оборудовании в карточке не измерены.

Сценарии применения

  • локальные диалоги с языковой моделью на Mac с Apple Silicon
  • генерация текста на устройстве с ограниченной памятью
  • ответы на вопросы в длинном контексте
  • локальный запуск Nemotron через MLX

Ограничения

Для запуска требуется около 17 ГБ объединённой памяти; рекомендуется Apple Silicon Mac с 24 ГБ или более. Четырёхбитная квантизация может снизить качество относительно BF16, а заявленная поддержка контекста до 1 млн токенов приведена в README без результатов проверки производительности.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

[!TIP] KV-cache quantization without any fork (recommended, 2026): upstream llama.cpp/Ollama now cover this natively — use -ctk q8_0 -ctv q8_0 (~half KV memory, negligible quality loss: perplexity +0.002–0.05) or -ctk q4_0 -ctv q4_0 (~quarter memory, ≈7.6% perplexity increase). In Ollama: OLLAMA_KV_CACHE_TYPE=q8_0 with OLLAMA_FLASH_ATTENTION=1. Keep K and V types symmetric to stay on the fast fused Flash-Attention path. Since April 2026, mainline llama.cpp also applies Hadamard rotation to KV activations (PR #21038), which greatly improves low-bit KV quality (opt-out: LLAMA_ATTN_ROT_DISABLE=1).

The RotorQuant/TurboQuant fork flow below is experimental/legacy: the TurboQuant llama.cpp PR was closed without merging (June 2026) and the fork is unmaintained relative to mainline. It is NOT required to use this model.

Nemotron-3-Nano-30B-A3B - RotorQuant MLX 4-bit

4-bit weight-quantized MLX version of nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16 with the legacy RotorQuant KV-cache fork (superseded by upstream llama.cpp KV options). Optimized for Apple Silicon inference via the MLX framework. A good balance between model quality and memory efficiency. Only 3.2B parameters are active per token despite 30.7B total, making this model significantly more efficient at inference time than its parameter count suggests. The hybrid Mamba-2 + Transformer MoE architecture supports up to 1M context length.

Approximate model size: ~17 GB

Model Specifications

PropertyValue
Base Modelnvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16
Parameters30.7 billion total (3.2 billion active per token)
ArchitectureHybrid Mamba-2 + Transformer MoE (3.2B active per token)
Context Length1,048,576 tokens (1M)
LicenseNVIDIA Open Model License (commercial use OK)
Weight Quantization4-bit (~17 GB)
KV-Cache QuantizationRotorQuant
FrameworkMLX (Apple Silicon)

Quickstart

from mlx_lm import load, generate
from rotorquant import IsoQuantCache

model, tokenizer = load("majentik/Nemotron-3-Nano-30B-A3B-RotorQuant-MLX-4bit")

prompt = "Explain the theory of relativity."
response = generate(model, tokenizer, prompt=prompt, max_tokens=512)
print(response)

About the RotorQuant / TurboQuant labels

RotorQuant and TurboQuant are this project's release labels, not distinct quantization algorithms — for any given tier, both brand repos carry byte-identical weights produced with the standard MLX / llama.cpp quantizers. No brand-specific speedup is claimed or measured. The KV-cache fork these labels originally referred to is legacy; for KV-cache memory savings use the upstream options described above (-ctk/-ctv q8_0, OLLAMA_KV_CACHE_TYPE).

KV-Cache Quantization Comparison

MethodPrefill SpeedDecode SpeedMemory SavingsReference
TurboQuant1x (baseline)1x (baseline)HigharXiv: 2504.19874

Memory Estimates (Nemotron-3-Nano-30B-A3B)

PrecisionApproximate SizeMLX Variant
BF16 (original)~60 GB--
8-bit quantized~30 GBRotorQuant-MLX-8bit
4-bit quantized~17 GBThis model

Hardware Requirements

This model requires approximately 17 GB of unified memory. Recommended hardware:

  • Apple M2 Pro (24 GB+)
  • Apple M3 Pro (24 GB+)
  • Apple M4 Pro (24 GB+)
  • Any Apple Silicon Mac with 24 GB+ unified memory

See Also

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
677662f

0 моделей