DeepSeek R1 Distill Qwen 32B (Q4_K_M) — 39.8 GBauf NVIDIA H100

Code Multilingual Thinking Tool Calls

Q4_K_M NVIDIA H100

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 Q4_K_M-Quantisierung (Qualitätsstufe medium) wiegt das Modell 18.49 GB. Das passt in die 80 GB VRAM von NVIDIA H100 und ermöglicht vollständige GPU-Inferenz.

Die NVIDIA H100 80 GB ist eine Datacenter-GPU mit 80 GB HBM3 VRAM und 3350 GB/s Speicherbandbreite. Sie liefert 1979 FP16 TFLOPS auf der Hopper-Architektur und ist damit die schnellste Einzel-GPU-Option fuer Large-Language-Model-Inferenz. Sie verarbeitet Modelle mit bis zu 70B Parametern bei hohem Durchsatz. Entwickelt fuer Datacenter-Teams mit anspruchsvollen produktiven KI-Workloads.

Hardwareanforderungen

Modellgröße	18.49 GB
Verfügbarer VRAM	80 GB
Genutzter VRAM	39.8 GB
System-RAM
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/q4_k_m/nvidia-h100-80gb.yaml) apply

Generierte `values.yaml`

/values/deepseek-r1-distill-qwen-32b/q4_k_m/nvidia-h100-80gb.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-Q4_K_M.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 (Q4_K_M)?

Die Q4_K_M-Quantisierung von DeepSeek R1 Distill Qwen 32B benötigt 18.49 GB. Alle 64 Schichten passen in die 80 GB VRAM von NVIDIA H100, was volle GPU-Beschleunigung ermöglicht.

Kann ich DeepSeek R1 Distill Qwen 32B auf NVIDIA H100 ausführen?

Ja. NVIDIA H100 bietet 80 GB VRAM, was ausreicht, um DeepSeek R1 Distill Qwen 32B (Q4_K_M) 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. Q4_K_M komprimiert DeepSeek R1 Distill Qwen 32B von seiner ursprünglichen Größe auf 18.49 GB.

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

Q4_K_M ist eine mittelwertige 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 NVIDIA H100 ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 80 GB VRAM zu maximieren.

Wie führe ich DeepSeek R1 Distill Qwen 32B (Q4_K_M) mit Ollama aus?

Führen Sie ollama run deepseek-r1:32b-qwen-distill-q4_k_m aus, um DeepSeek R1 Distill Qwen 32B (Q4_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 20. März 2026