DeepSeek R1 Distill Qwen 32B (Q8_0) — 47.4 GBauf NVIDIA L40S

Q8_0 NVIDIA L40S

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 passt in die 48 GB VRAM von NVIDIA L40S und ermöglicht vollständige GPU-Inferenz.

Die NVIDIA L40S ist eine Datacenter-GPU mit 48 GB GDDR6 VRAM und 864 GB/s Speicherbandbreite. Sie liefert 362 FP16 TFLOPS mit Ada-Lovelace-Architektur. Eine vielseitige GPU fuer KI-Inferenz, Training und Grafik-Workloads. Verarbeitet quantisierte Modelle bis 40B Parameter problemlos.

Hardwareanforderungen

Modellgröße	32.43 GB
Verfügbarer VRAM	48 GB
Genutzter VRAM	47.4 GB
GPU-Ebenen	64 / 64
Kontextgröße	89.949
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Kürzere Gespräche

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

Bereitstellung

Server Lokal

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/q8_0/nvidia-l40s.yaml) apply

Generierte values.yaml

/values/deepseek-r1-distill-qwen-32b/q8_0/nvidia-l40s.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 64 \
  --ctx-size 89949 \
  --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. Alle 64 Schichten passen in die 48 GB VRAM von NVIDIA L40S, was volle GPU-Beschleunigung ermöglicht.

Kann ich DeepSeek R1 Distill Qwen 32B auf NVIDIA L40S ausführen?

Ja. NVIDIA L40S bietet 48 GB VRAM, was ausreicht, um DeepSeek R1 Distill Qwen 32B (Q8_0) 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. 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 NVIDIA L40S ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 48 GB VRAM zu maximieren.

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