DeepSeek R1 Distill Qwen 32B (Q8_0) — 23.4 GBauf NVIDIA RTX 3090
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 24 GB VRAM von NVIDIA RTX 3090. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.
Die NVIDIA GeForce RTX 3090 ist eine Consumer-GPU mit 24 GB GDDR6X VRAM und 936 GB/s Speicherbandbreite. Sie bietet 35.6 FP16 TFLOPS und liefert solide Leistung fuer lokale LLM-Inferenz zu geringeren Kosten als neuere Karten. Sie fuehrt quantisierte Modelle mit bis zu 20B Parametern zuverlaessig aus. Eine praktische Wahl fuer preisbewusste Entwickler und Homelab-Enthusiasten.
Hardwareanforderungen
| Modellgröße | 32.43 GB |
| Verfügbarer VRAM | 24 GB |
| Genutzter VRAM | 23.4 GB |
| System-RAM | |
| Min. RAM benötigt | 10.6 GB |
| GPU-Ebenen | 43 / 64 |
| Kontextgröße | 2.401 |
| Backend | cuda13 |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Leistungshinweise
Bereitstellung
Voraussetzungen
Stellen Sie sicher, dass Ihre GPU-Knoten mit dem NVIDIA Container Toolkit vorbereitet sind:
ansible-playbook prositronic.infra.nvidia_container_toolkitBefehl
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/deepseek-r1-distill-qwen-32b/q8_0/nvidia-rtx3090.yaml) applyGenerierte values.yaml
/values/deepseek-r1-distill-qwen-32b/q8_0/nvidia-rtx3090.yaml
Werte werden geladen…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. 43 von 64 Schichten passen in die 24 GB VRAM von NVIDIA RTX 3090; die übrigen Schichten werden auf die CPU ausgelagert.
Kann ich DeepSeek R1 Distill Qwen 32B auf NVIDIA RTX 3090 ausführen?
Ja, mit reduzierter Leistung. NVIDIA RTX 3090 kann DeepSeek R1 Distill Qwen 32B (Q8_0) ausführen, aber nur 43 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 NVIDIA RTX 3090 ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 24 GB VRAM zu maximieren.
Warum werden einige Schichten auf die CPU ausgelagert?
NVIDIA RTX 3090 hat 24 GB VRAM, aber DeepSeek R1 Distill Qwen 32B (Q8_0) benötigt ungefähr 32.43 GB. Nur 43 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.