/ 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-TurboQuant-MLX-2bit

Генерация текстаТекст → текст4 профессии

Двухбитная MLX-квантизация Nemotron-3-Nano для генерации текста и диалогов на устройствах Apple Silicon с ограниченной памятью.

105скачиваний 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

Nemotron-3-Nano-30B-A3B-TurboQuant-MLX-2bit — квантизированная до 2 бит версия языковой модели NVIDIA Nemotron-3-Nano-30B-A3B, подготовленная majentik для запуска на Apple Silicon с помощью MLX. Общий размер модели — 30,7 млрд параметров, из которых 3,2 млрд активны на каждом токене. Архитектура сочетает Mamba-2 и Transformer с разреженной экспертной моделью (MoE); заявлена поддержка контекста до 1 млн токенов.

Модель предназначена для генерации текста и диалогов при ограниченной памяти устройства. Квантованные веса занимают около 9 ГБ, а карточка указывает английский язык. README упоминает legacy-вариант TurboQuant для KV-кэша, но описывает его как экспериментальный и устаревший; сама квантизация весов выполнена стандартными средствами MLX. Лицензия указана как other, поэтому перед использованием следует проверить условия исходной модели и репозитория.

Сценарии применения

  • диалоговый помощник на Mac с Apple Silicon
  • генерация текста локально при ограниченной памяти
  • запуск языковой модели через MLX
  • эксперименты с гибридной архитектурой Mamba-2 и Transformer MoE

Ограничения

Сильная квантизация до 2 бит может снижать качество; README не приводит измерений качества для этой сборки. Для запуска требуется около 9 ГБ объединённой памяти и устройство Apple Silicon с MLX.

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 - TurboQuant MLX 2-bit

2-bit weight-quantized MLX version of nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16 with the legacy TurboQuant KV-cache fork (superseded by upstream llama.cpp KV options). Optimized for Apple Silicon inference via the MLX framework. Maximum compression for running on memory-constrained devices. 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: ~9 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 Quantization2-bit (~9 GB)
KV-Cache QuantizationTurboQuant
FrameworkMLX (Apple Silicon)

Quickstart

from mlx_lm import load, generate
from turboquant import TurboQuantCache

model, tokenizer = load("majentik/Nemotron-3-Nano-30B-A3B-TurboQuant-MLX-2bit")

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--
2-bit quantized~9 GBThis model

Hardware Requirements

This model requires approximately 9 GB of unified memory. Recommended hardware:

  • Apple M1 (16 GB+)
  • Apple M2 (16 GB+)
  • Apple M3 (16 GB+)
  • Apple M4 (16 GB+)
  • Any Apple Silicon Mac with 16 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
2e3e95c

0 моделей