01O que ele sabe fazer
- MoE 75B/9B ativos: inferência mais leve que um modelo denso equivalente
- Orientado ao raciocínio
- 128k de contexto nativo
- Uso comercial autorizado (NVIDIA Open Model License)
- —150 GB em FP16 — reservado para configurações robustas
- —~44 GB VRAM mesmo em Q4 (2× RTX 4090 ou Mac 64 GB+)
- —Sem tag oficial do Ollama — instalação via HuggingFace/vLLM
04Instalar
Instale Ollama para seu SO. Verifique o modelo e sua quantização antes do download. Comece com 4096 tokens de contexto, depois verifique a alocação com ollama ps. Um comando abaixo não é prova de teste executado na sua máquina.
02Memória necessária
Quantidade aproximada de VRAM da GPU necessária para executar este modelo, incluindo a memória adicional para um contexto de 4k tokens. Para um contexto mais longo, adicione ~1 GB a cada 8k tokens.
Qual hardware usar para Nemotron 3 Puzzle 75B-A9B?
Para executar Nemotron 3 Puzzle 75B-A9B localmente com quantização Q4, você precisa de aproximadamente 44 GB de VRAM. Uma opção para comparar: GMKtec EVO-X2 64 GB / 1 TB (Ryzen AI Max+ 395) — mantenha uma margem para o sistema e o contexto; verifique a compatibilidade do motor com a GPU.
Por que essa escolha? Nossa ficha completa sobre GMKtec EVO-X2 64 GB / 1 TB (Ryzen AI Max+ 395) →
Links afiliados — comissão possível sem custo adicional para você, recomendação independente. Como Parceiro Amazon, QualLLM obtém lucro com compras que atendem às condições exigidas.
03Velocidade estimada
Tokens gerados por segundo em Q4_K_M, contexto 4k. Acima de 20 t/s, a leitura é confortável. Abaixo de 10 t/s, é apenas para testar.