Qwen3.5-122B-A10B-Heretic-v2-MLX-mixed-3.8bit — which GPUs fit

TheCluster · 19.8B (active NoneB) · MoE · ctx NoneK · apache-2.0 · HuggingFace

Qwen3.5-122B-A10B-Heretic-v2-MLX-mixed-3.8bit (TheCluster) is a 19.8B parameters MoE (19.8B active per token) open-weight model tracked on AI Hashrate. At 8K context we estimate roughly 15.85 GB VRAM for Q4 (weights 10.89 GB + KV 3.96 GB + 1 GB overhead) and 44.56 GB for FP16. About 44 GPUs/accelerators in our catalog fully fit this model at Q4 under that context assumption. Fastest Q4 configs: B200 192GB SXM ≈ 257.1 tok/s (estimated); MI300X 192GB ≈ 170.3 tok/s (estimated); H200 141GB SXM5 ≈ 154.3 tok/s (estimated); H100 80GB SXM5 ≈ 107.7 tok/s (estimated); Gaudi 3 128GB ≈ 105.3 tok/s (estimated). Use the table below for VRAM fit and tok/s per dollar (list MSRP). Estimates follow memory-bandwidth math; measured rows override when present. See methodology for details. Methodology.

117 hardware configs — sorted by tok/s. Default fit context 8K.

Hardware	VRAM	Quant	tok/s	Fits?	tok/s/$
B200 192GB SXM	192	Q4	257.1 est.	Yes	0.006
MI300X 192GB	192	Q4	170.3 est.	Yes	0.011
H200 141GB SXM5	141	Q4	154.3 est.	Yes	0.004
H100 80GB SXM5	80	Q4	107.7 est.	Yes	0.004
Gaudi 3 128GB	128	Q4	105.3 est.	Yes	0.008
B200 192GB SXM	192	FP16	70.7 est.	Yes	0.002
A100 80GB SXM4	80	Q4	65.5 est.	Yes	0.004
RTX 5090 32GB	32	Q4	57.6 est.	Yes	0.029
MI300X 192GB	192	FP16	46.8 est.	Yes	0.003
H200 141GB SXM5	141	FP16	42.4 est.	Yes	0.001
RTX 5070 12GB	12	Q4	35.2 est.	No	0.064
Titan V 12GB	12	Q4	34.2 est.	No	0.011
RTX 4090 24GB	24	Q4	32.4 est.	Yes	0.02
RTX 4090D 24GB (China)	24	Q4	32.4 est.	Yes	0.02
RTX 3090 Ti 24GB	24	Q4	32.4 est.	Yes	0.016
RTX 5080 16GB	16	Q4	30.9 est.	Yes	0.031
RX 7900 XTX 24GB	24	Q4	30.9 est.	Yes	0.031
RTX 6000 Ada 48GB	48	Q4	30.9 est.	Yes	0.005
RTX 3090 24GB	24	Q4	30.1 est.	Yes	0.02
H100 80GB SXM5	80	FP16	29.6 est.	Yes	0.001
RTX 4070 Ti 12GB	12	Q4	29.0 est.	No	0.036
Gaudi 3 128GB	128	FP16	29.0 est.	Yes	0.002
V100 32GB SXM2	32	Q4	28.9 est.	Yes	0.003
V100 16GB PCIe	16	Q4	28.9 est.	Yes	0.004
RTX 5070 Ti 16GB	16	Q4	28.8 est.	Yes	0.038
Titan Xp 12GB	12	Q4	28.7 est.	No	0.024
L40S 48GB	48	Q4	27.8 est.	Yes	0.003
RTX 3080 10GB	10	Q4	27.6 est.	No	0.039
RTX 4070 12GB	12	Q4	26.4 est.	No	0.044
RTX 4070 Super 12GB	12	Q4	26.4 est.	No	0.044
Mac Studio M3 Ultra 96GB	96	Q4	26.3 est.	Yes	0.007
Mac Studio M2 Ultra 192GB	192	Q4	25.7 est.	Yes	0.004
RX 7900 XT 20GB	20	Q4	25.7 est.	Yes	0.029
Titan X Pascal 12GB	12	Q4	25.2 est.	No	0.021
RTX A6000 48GB	48	Q4	24.7 est.	Yes	0.005
Arc B580 12GB	12	Q4	23.9 est.	No	0.096
RTX 4080 Super 16GB	16	Q4	23.7 est.	Yes	0.024
RTX 5090 32GB	32	FP16	23.3 est.	No	0.012
RX 7700 XT 12GB	12	Q4	22.6 est.	No	0.05
RTX 4070 Ti Super 16GB	16	Q4	21.6 est.	Yes	0.027
RX 9070 16GB	16	Q4	20.6 est.	Yes	0.038
RX 9070 XT 16GB	16	Q4	20.6 est.	Yes	0.034
RX 7800 XT 16GB	16	Q4	20.1 est.	Yes	0.04
Arc Pro B70 32GB	32	Q4	19.5 est.	Yes	0.02
RTX 3060 12GB	12	Q4	18.9 est.	No	0.057
RX 7900 GRE 16GB	16	Q4	18.5 est.	Yes	0.034
A100 80GB SXM4	80	FP16	18.0 est.	Yes	0.001
Arc A770 16GB	16	Q4	18.0 est.	Yes	0.052
MacBook Pro M4 Max 128GB	128	Q4	17.5 est.	Yes	0.004
DGX Spark (GH200 480GB)	480	Q4	16.1 est.	Yes	0.005
RTX 5060 Ti 16GB	16	Q4	14.4 est.	Yes	0.034
Arc B570 10GB	10	Q4	13.8 est.	No	0.063
MacBook Pro M1 Max 32GB	32	Q4	12.9 est.	Yes	0.004
MacBook Pro M1 Max 64GB	64	Q4	12.9 est.	Yes	0.003
MacBook Pro M3 Max 128GB	128	Q4	12.9 est.	Yes	0.003
V100 32GB SXM2	32	FP16	11.7 est.	No	0.001
RTX 5060 8GB	8	Q4	10.4 est.	No	0.035
RTX 5060 Ti 8GB	8	Q4	10.4 est.	No	0.027
RTX 3070 8GB	8	Q4	10.4 est.	No	0.021
T4 16GB	16	Q4	10.3 est.	Yes	0.005
RTX 4060 Ti 16GB	16	Q4	9.3 est.	Yes	0.019
RX 7600 XT 16GB	16	Q4	9.3 est.	Yes	0.028
Mac mini M4 Pro 64GB	64	Q4	8.8 est.	Yes	0.004
RTX 6000 Ada 48GB	48	FP16	8.5 est.	Yes	0.001
Arc Pro B70 32GB	32	FP16	7.9 est.	No	0.008
L40S 48GB	48	FP16	7.6 est.	Yes	0.001
RTX 4090 24GB	24	FP16	7.4 est.	No	0.005
RTX 4090D 24GB (China)	24	FP16	7.4 est.	No	0.005
RTX 3090 Ti 24GB	24	FP16	7.4 est.	No	0.004
Mac Studio M3 Ultra 96GB	96	FP16	7.2 est.	Yes	0.002
Mac Studio M2 Ultra 192GB	192	FP16	7.1 est.	Yes	0.001
RX 7900 XTX 24GB	24	FP16	7.0 est.	No	0.007
Ryzen AI Max+ 395 128GB	96	Q4	6.9 est.	Yes	0.003
Ryzen AI Max+ 395 64GB	48	Q4	6.9 est.	Yes	0.005
Ryzen AI Max 390 64GB	48	Q4	6.9 est.	Yes	0.005
RTX 3090 24GB	24	FP16	6.8 est.	No	0.005
RTX A6000 48GB	48	FP16	6.8 est.	Yes	0.002
RTX 4060 Ti 8GB	8	Q4	6.7 est.	No	0.017
RX 7600 8GB	8	Q4	6.7 est.	No	0.025
RTX 4060 8GB	8	Q4	6.3 est.	No	0.021
MacBook Pro M1 Max 32GB	32	FP16	5.2 est.	No	0.002
MacBook Pro M4 Max 128GB	128	FP16	4.8 est.	Yes	0.001
Tesla P4 8GB	8	Q4	4.5 est.	No	0.056
DGX Spark (GH200 480GB)	480	FP16	4.4 est.	Yes	0.001
RX 7900 XT 20GB	20	FP16	4.1 est.	No	0.005
Mac mini M4 32GB	32	Q4	3.9 est.	Yes	0.004
MacBook Pro M1 Max 64GB	64	FP16	3.5 est.	Yes	0.001
MacBook Pro M3 Max 128GB	128	FP16	3.5 est.	Yes	0.001
RTX 5080 16GB	16	FP16	3.1 est.	No	0.003
V100 16GB PCIe	16	FP16	2.9 est.	No	0.0
RTX 5070 Ti 16GB	16	FP16	2.9 est.	No	0.004
RTX 4080 Super 16GB	16	FP16	2.4 est.	No	0.002
Mac mini M4 Pro 64GB	64	FP16	2.4 est.	Yes	0.001
RTX 4070 Ti Super 16GB	16	FP16	2.2 est.	No	0.003
RX 9070 16GB	16	FP16	2.1 est.	No	0.004
RX 9070 XT 16GB	16	FP16	2.1 est.	No	0.004
RX 7800 XT 16GB	16	FP16	2.0 est.	No	0.004
RX 7900 GRE 16GB	16	FP16	1.9 est.	No	0.003
Ryzen AI Max+ 395 128GB	96	FP16	1.9 est.	Yes	0.001
Ryzen AI Max+ 395 64GB	48	FP16	1.9 est.	Yes	0.001
Ryzen AI Max 390 64GB	48	FP16	1.9 est.	Yes	0.001
Arc A770 16GB	16	FP16	1.8 est.	No	0.005
Mac mini M4 32GB	32	FP16	1.6 est.	No	0.002
RTX 5060 Ti 16GB	16	FP16	1.5 est.	No	0.003
RTX 5070 12GB	12	FP16	1.2 est.	No	0.002
Titan V 12GB	12	FP16	1.2 est.	No	0.0
RTX 4070 Ti 12GB	12	FP16	1.0 est.	No	0.001
T4 16GB	16	FP16	1.0 est.	No	0.001
Titan Xp 12GB	12	FP16	1.0 est.	No	0.001
RTX 4070 12GB	12	FP16	0.9 est.	No	0.002
RTX 4060 Ti 16GB	16	FP16	0.9 est.	No	0.002
RTX 4070 Super 12GB	12	FP16	0.9 est.	No	0.002
Titan X Pascal 12GB	12	FP16	0.9 est.	No	0.001
RX 7600 XT 16GB	16	FP16	0.9 est.	No	0.003
RX 7700 XT 12GB	12	FP16	0.8 est.	No	0.002
Arc B580 12GB	12	FP16	0.8 est.	No	0.003
RTX 3060 12GB	12	FP16	0.7 est.	No	0.002

Fit checks

RTX 5090 32GB — fits · ≈57.6 tok/s Q4 est.
RTX 3090 Ti 24GB — fits · ≈32.4 tok/s Q4 est.
RTX 4090 24GB — fits · ≈32.4 tok/s Q4 est.
RTX 5080 16GB — fits · ≈30.9 tok/s Q4 est.
RTX 6000 Ada 48GB — fits · ≈30.9 tok/s Q4 est.
RX 7900 XTX 24GB — fits · ≈30.9 tok/s Q4 est.
RTX 3090 24GB — fits · ≈30.1 tok/s Q4 est.
RTX 5070 Ti 16GB — fits · ≈28.8 tok/s Q4 est.
L40S 48GB — fits · ≈27.8 tok/s Q4 est.
Mac Studio M3 Ultra 96GB — fits · ≈26.3 tok/s Q4 est.
Mac Studio M2 Ultra 192GB — fits · ≈25.7 tok/s Q4 est.
RX 7900 XT 20GB — fits · ≈25.7 tok/s Q4 est.

12 popular retail GPUs; every row in the table above also links its Fits? verdict to the full fit check.