DeepSeek R1 Distill Qwen 32B (Q2_K) — 32.8 GBauf OVH a100-1-gpu

Code Multilingual Thinking Tool Calls

Q2_K OVH a100-1-gpu

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 Q2_K-Quantisierung (Qualitätsstufe low) wiegt das Modell 11.47 GB. Das passt in die 80 GB VRAM von OVH a100-1-gpu und ermöglicht vollständige GPU-Inferenz.

Die NVIDIA A100 80 GB ist eine Datacenter-GPU mit 80 GB HBM2e VRAM und 2039 GB/s Speicherbandbreite. Sie liefert 312 FP16 TFLOPS und ermoeglicht schnelle Inferenz grosser Sprachmodelle mit bis zu 70B Parametern bei moderater Quantisierung. Bestens geeignet fuer Datacenter-Teams, die produktive LLM-Workloads mit hoher Speicherkapazitaet und hohem Durchsatz betreiben.

Hardwareanforderungen

Modellgröße	11.47 GB
Verfügbarer VRAM	80 GB
Genutzter VRAM	32.8 GB
System-RAM	160 GB
Min. RAM benötigt	0 GB
GPU-Ebenen	64 / 64
Kontextgröße	131.072
Backend	cuda13
Flash Attention	Ja
Lesen von Festplatte	Ja

Bereitstellung

Voraussetzungen

Stellen Sie sicher, dass Ihre GPU-Knoten mit dem NVIDIA Container Toolkit vorbereitet sind:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Befehl

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/deepseek-r1-distill-qwen-32b/q2_k/nvidia-a100-80gb.yaml) apply

Generierte `values.yaml`

/values/deepseek-r1-distill-qwen-32b/q2_k/nvidia-a100-80gb.yaml

Werte werden geladen…

llama.cpp installieren

Installieren Sie llama.cpp von den offiziellen Build-Anleitungen für Ihre Plattform und Ihr Backend.

Modell 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-Q2_K.gguf"

Server starten

llama-server \
  -m deepseek-r1-distill-qwen-32b.gguf \
  --n-gpu-layers 64 \
  --ctx-size 131072 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Häufig gestellte Fragen

Wie viel VRAM benötigt DeepSeek R1 Distill Qwen 32B (Q2_K)?

Die Q2_K-Quantisierung von DeepSeek R1 Distill Qwen 32B benötigt 11.47 GB. Alle 64 Schichten passen in die 80 GB VRAM von OVH a100-1-gpu, was volle GPU-Beschleunigung ermöglicht.

Kann ich DeepSeek R1 Distill Qwen 32B auf OVH a100-1-gpu ausführen?

Ja. OVH a100-1-gpu bietet 80 GB VRAM, was ausreicht, um DeepSeek R1 Distill Qwen 32B (Q2_K) 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. Q2_K komprimiert DeepSeek R1 Distill Qwen 32B von seiner ursprünglichen Größe auf 11.47 GB.

Welche Quantisierung sollte ich für DeepSeek R1 Distill Qwen 32B wählen?

Q2_K ist eine niedrigwertige 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 OVH a100-1-gpu ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 80 GB VRAM zu maximieren.

Wie führe ich DeepSeek R1 Distill Qwen 32B (Q2_K) mit Ollama aus?

Führen Sie ollama run deepseek-r1:32b-qwen-distill-q2_k aus, um DeepSeek R1 Distill Qwen 32B (Q2_K) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026