FreeLLMAlle Modelle › nvidia
NVIDIA-Nemotron-3-Nano-4B-BF16
nvidia · offene Lizenz · veröffentlicht am 7. März 2026
Wo du es kostenlos nutzen kannst
- Der eigene Chat des Labors: build.nvidia.com (kostenlos mit Tageslimits)
- Lade es herunter und führe es zu Hause aus: offizielle Gewichte · GGUF-Dateien für Ollama und LM Studio
Noch keine Arena-Stimmen
Die Arena hat über dieses Modell noch nicht abgestimmt. Es steht in der Liste, weil es ein beliebtes kleines Modell auf der offiziellen Hugging-Face-Seite seines Labors ist (1.7M Downloads im Monat).
Geschwindigkeit auf gängiger Hardware
| Hardware | GPU-Speicher | Passt es? | Geschwindigkeit |
|---|---|---|---|
| RTX 3060 12 GB | 12 GB | Passt in die GPU | 34 tok/s |
| RTX 4060 Ti 16 GB | 16 GB | Passt in die GPU | 27 tok/s |
| RTX 3090 | 24 GB | Passt in die GPU | 83 tok/s |
| RTX 4090 | 24 GB | Passt in die GPU | 89 tok/s |
| RTX 5090 | 32 GB | Passt in die GPU | 148 tok/s |
| RX 7900 XTX | 24 GB | Passt in die GPU | 85 tok/s |
| 2 × RTX 3090 | 48 GB | Passt in die GPU | 81 tok/s |
| 4 × RTX 3090 | 96 GB | Passt in die GPU | 76 tok/s |
| Mac M4 Max 128 GB | 96 GB | Passt in die GPU | 45 tok/s |
| Ryzen AI Max+ 395 128 GB | 96 GB | Passt in die GPU | 24 tok/s |
| 8 × H100 SXM | 640 GB | Passt in die GPU | 202 tok/s |
Schätzung bei 4-Bit mit 32K Kontext, 64 GB DDR5 zum Auslagern. Geschwindigkeit ≈ Speicherbandbreite × 78 % ÷ pro Token gelesene Daten, plus feste Kosten pro Token, kalibriert an 44 echten llama.cpp-Tests; typische Abweichung etwa ±10 %. Alle Grafikkarten vergleichen.
Benötigter GPU-Speicher
| Stufe | 8K Kontext | 32K Kontext | 128K Kontext | Qualität im Vergleich zum Original |
|---|---|---|---|---|
| Q3_K_M | 4.0 GB | 8.2 GB | 25 GB | +10.5 % spürbarer Verlust |
| Q4_K_M | 4.4 GB | 8.7 GB | 26 GB | +2.8 % kleiner Verlust |
| Q5_K_M | 4.9 GB | 9.1 GB | 26 GB | +0.9 % sehr kleiner Verlust |
| Q6_K | 5.3 GB | 9.5 GB | 26 GB | +0.3 % nahezu verlustfrei |
| Q8_0 | 6.3 GB | 10 GB | 27 GB | ≈ 0 % wie das Original |
| F16 | 10 GB | 14 GB | 31 GB | ≈ 0 % wie das Original |
Gewichte + Kontext-Cache (aus der Architektur des Modells) + Laufzeit. Qualität: Anstieg von perplexity gegenüber dem vollen Modell, aus llama.cpp-Tests, skaliert nach Modellgröße. Simuliere dein eigenes Setup.
Diese Seite teilen:XLinkedInRedditWhatsApp
Falsche Zahl oder kaputten Link entdeckt? Fehler melden