DeepSeek R1 Distill Qwen 32B (Q8_0) — 31.4 GBauf AMD Radeon 8050S 32GB

Q8_0 AMD Radeon 8050S 32GB

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 Q8_0-Quantisierung (Qualitätsstufe high) wiegt das Modell 32.43 GB. Das übersteigt die 32 GB VRAM von AMD Radeon 8050S 32GB. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Hardwareanforderungen

Modellgröße	32.43 GB
Verfügbarer VRAM	32 GB
Genutzter VRAM	31.4 GB
Min. RAM benötigt	2.5 GB
GPU-Ebenen	59 / 64
Kontextgröße	1.696
Backend	vulkan
Flash Attention	Ja

Leistungshinweise

Reduzierte Leistung

5 von 64 Schichten laufen auf der CPU. Ihr System benötigt mindestens 2.5 GB RAM. Bei unzureichendem System-RAM werden Daten bei Bedarf von der Festplatte gelesen, mit erheblichen Leistungseinbußen.

Kürzere Gespräche

Die Kontextgröße wurde aufgrund von Speicherbeschränkungen reduziert. Dies kann die Fähigkeit des Modells beeinträchtigen, lange Gespräche zu führen.

Bereitstellung

Server Lokal

Befehl

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/deepseek-r1-distill-qwen-32b/q8_0/amd-8050s-32gb.yaml) apply

Generierte values.yaml

/values/deepseek-r1-distill-qwen-32b/q8_0/amd-8050s-32gb.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-Q8_0.gguf"

Server starten

llama-server \
  -m deepseek-r1-distill-qwen-32b.gguf \
  --n-gpu-layers 59 \
  --ctx-size 1696 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• DeepSeek R1 Distill Qwen 32B (FP16)
• DeepSeek R1 Distill Qwen 32B (Q5_K_M)
• DeepSeek R1 Distill Qwen 32B (Q4_K_M)

Andere Hardware

• DeepSeek R1 Distill Qwen 32B on CPU Only
• DeepSeek R1 Distill Qwen 32B on NVIDIA A100 80GB
• DeepSeek R1 Distill Qwen 32B on NVIDIA H100

Häufig gestellte Fragen

Wie viel VRAM benötigt DeepSeek R1 Distill Qwen 32B (Q8_0)?

Die Q8_0-Quantisierung von DeepSeek R1 Distill Qwen 32B benötigt 32.43 GB. 59 von 64 Schichten passen in die 32 GB VRAM von AMD Radeon 8050S 32GB; die übrigen Schichten werden auf die CPU ausgelagert.

Kann ich DeepSeek R1 Distill Qwen 32B auf AMD Radeon 8050S 32GB ausführen?

Ja, mit reduzierter Leistung. AMD Radeon 8050S 32GB kann DeepSeek R1 Distill Qwen 32B (Q8_0) ausführen, aber nur 59 von 64 Schichten passen in den VRAM. Der Rest wird auf die CPU ausgelagert.

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. Q8_0 komprimiert DeepSeek R1 Distill Qwen 32B von seiner ursprünglichen Größe auf 32.43 GB.

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

Q8_0 ist eine hochwertige 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 AMD Radeon 8050S 32GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 32 GB VRAM zu maximieren.

Warum werden einige Schichten auf die CPU ausgelagert?

AMD Radeon 8050S 32GB hat 32 GB VRAM, aber DeepSeek R1 Distill Qwen 32B (Q8_0) benötigt ungefähr 32.43 GB. Nur 59 von 64 Schichten passen in den VRAM; die übrigen Schichten laufen auf der CPU, was langsamer, aber funktional ist.

Wie führe ich DeepSeek R1 Distill Qwen 32B (Q8_0) mit Ollama aus?

Führen Sie ollama run deepseek-r1:32b-qwen-distill-q8_0 aus, um DeepSeek R1 Distill Qwen 32B (Q8_0) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026