DeepSeek R1 Distill Qwen 32B (FP16) — 82.3 GBauf Apple M4 Max 128GB
Überblick
DeepSeek R1 Distill Qwen 32B ist ein 32.76B-Parameter dense-Sprachmodell von DeepSeek, mit Fähigkeiten in code, multilingual, thinking, tool-calls. Es unterstützt ein Kontextfenster von bis zu 131,072 Tokens.
DeepSeek R1 Distill Qwen 32B ist ein dichter Transformer mit 32,76 Milliarden Parametern von DeepSeek, destilliert aus dem groesseren R1-Reasoning-Modell in eine Qwen-basierte Architektur. Er zeichnet sich durch Chain-of-Thought-Reasoning, Codegenerierung und mehrsprachige Aufgaben mit integrierten Denkfaehigkeiten aus. Im Vergleich zu Standard-Instruct-Modellen der 30B-Klasse bietet er staerkeres logisches und mathematisches Schlussfolgern. Das Modell unterstuetzt neun Sprachen und ein 128K-Kontextfenster und eignet sich fuer Entwickler und Forscher, die reasoning-fokussierte Inferenz auf mittelklassigen GPU-Setups benoetigen.
Bei FP16-Quantisierung (Qualitätsstufe full-precision) wiegt das Modell 61.03 GB. Das passt in die 128 GB VRAM von Apple M4 Max 128GB und ermöglicht vollständige GPU-Inferenz.
Hardwareanforderungen
| Modellgröße | 61.03 GB |
| Verfügbarer VRAM | 128 GB |
| Genutzter VRAM | 82.3 GB |
| System-RAM | |
| Min. RAM benötigt | 0 GB |
| GPU-Ebenen | 64 / 64 |
| Kontextgröße | 131.072 |
| Backend | metal |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Bereitstellung
llama.cpp installieren
brew install llama.cppModell herunterladen
curl -L -o deepseek-r1-distill-qwen-32b.gguf "https://huggingface.co/unsloth/DeepSeek-R1-Distill-Qwen-32B-GGUF/resolve/main/DeepSeek-R1-Distill-Qwen-32B-F16/DeepSeek-R1-Distill-Qwen-32B-F16-00001-of-00002.gguf"Server starten
llama-server \
-m deepseek-r1-distill-qwen-32b.gguf \
--n-gpu-layers 64 \
--ctx-size 131072 \
--flash-attnÜberprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt DeepSeek R1 Distill Qwen 32B (FP16)?
Die FP16-Quantisierung von DeepSeek R1 Distill Qwen 32B benötigt 61.03 GB. Alle 64 Schichten passen in die 128 GB VRAM von Apple M4 Max 128GB, was volle GPU-Beschleunigung ermöglicht.
Kann ich DeepSeek R1 Distill Qwen 32B auf Apple M4 Max 128GB ausführen?
Ja. Apple M4 Max 128GB bietet 128 GB VRAM, was ausreicht, um DeepSeek R1 Distill Qwen 32B (FP16) mit allen Schichten auf der GPU für optimale Leistung auszuführen.
Was ist Quantisierung?
Quantisierung reduziert die numerische Präzision eines Modells von seinem ursprünglichen Gleitkommaformat auf eine kompaktere Darstellung. Dies verringert die Dateigröße und den VRAM-Bedarf, wodurch es möglich wird, große Modelle auf Consumer-Hardware auszuführen. Der Kompromiss ist eine geringe Verringerung der Ausgabequalität. FP16 komprimiert DeepSeek R1 Distill Qwen 32B von seiner ursprünglichen Größe auf 61.03 GB.
Welche Quantisierung sollte ich für DeepSeek R1 Distill Qwen 32B wählen?
FP16 ist eine Vollpräzisions- Quantisierung. Hochwertigere Quants (Q8, Q6) bewahren mehr Modellgenauigkeit, benötigen aber mehr VRAM. Niedrigere Quants (Q4, Q3, Q2) reduzieren den VRAM-Verbrauch auf Kosten der Qualität. Wählen Sie basierend auf Ihrer verfügbaren Hardware und Ihren Qualitätsanforderungen.
Was ist Flash Attention und warum ist es aktiviert?
Flash Attention ist ein speichereffizienter Algorithmus, der den Attention-Mechanismus in Transformer-Modellen beschleunigt. Er reduziert den VRAM-Verbrauch während der Inferenz, indem er die Materialisierung der vollständigen Attention-Matrix vermeidet. Für DeepSeek R1 Distill Qwen 32B auf Apple M4 Max 128GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 128 GB VRAM zu maximieren.
Wie führe ich DeepSeek R1 Distill Qwen 32B (FP16) mit Ollama aus?
Führen Sie ollama run deepseek-r1:32b-qwen-distill-fp16 aus, um DeepSeek R1 Distill Qwen 32B (FP16) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.