DeepSeek R1 Distill Qwen 7B (FP16) — 22.5 GBauf NVIDIA L4 192GB

FP16 NVIDIA L4 192GB

Überblick

DeepSeek R1 Distill Qwen 7B ist ein 7.62B-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 7B ist ein dichter Transformer mit 7,62 Milliarden Parametern von DeepSeek, destilliert aus dem R1-Reasoning-Modell in eine kompakte Qwen-basierte Architektur. Er bringt Chain-of-Thought-Reasoning und Denkfaehigkeiten in die 7B-Parameterklasse und uebertrifft seine Gewichtsklasse bei Mathematik- und Logikaufgaben. Im Vergleich zu Standard-7B-Instruct-Modellen bietet er deutlich staerkeres strukturiertes Schlussfolgern. Mit einem 128K-Kontextfenster und neun unterstuetzten Sprachen passt er auf eine einzelne Consumer-GPU und quantisiert gut fuer effizientes selbstgehostetes Deployment.

Bei FP16-Quantisierung (Qualitätsstufe full-precision) wiegt das Modell 14.19 GB. Das passt in die 192 GB VRAM von NVIDIA L4 192GB und ermöglicht vollständige GPU-Inferenz.

Hardwareanforderungen

Modellgröße	14.19 GB
Verfügbarer VRAM	192 GB
Genutzter VRAM	22.5 GB
GPU-Ebenen	28 / 28
Kontextgröße	131.072
Backend	cuda13
Flash Attention	Ja

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-7b/fp16/nvidia-l4-192gb.yaml) apply

Generierte values.yaml

/values/deepseek-r1-distill-qwen-7b/fp16/nvidia-l4-192gb.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-7b.gguf "https://huggingface.co/unsloth/DeepSeek-R1-Distill-Qwen-7B-GGUF/resolve/main/DeepSeek-R1-Distill-Qwen-7B-F16.gguf"

Server starten

llama-server \
  -m deepseek-r1-distill-qwen-7b.gguf \
  --n-gpu-layers 28 \
  --ctx-size 131072 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• DeepSeek R1 Distill Qwen 7B (Q8_0)
• DeepSeek R1 Distill Qwen 7B (Q5_K_M)
• DeepSeek R1 Distill Qwen 7B (Q4_K_M)

Andere Hardware

• DeepSeek R1 Distill Qwen 7B on CPU Only
• DeepSeek R1 Distill Qwen 7B on NVIDIA A100 80GB
• DeepSeek R1 Distill Qwen 7B on NVIDIA H100

Häufig gestellte Fragen

Wie viel VRAM benötigt DeepSeek R1 Distill Qwen 7B (FP16)?

Die FP16-Quantisierung von DeepSeek R1 Distill Qwen 7B benötigt 14.19 GB. Alle 28 Schichten passen in die 192 GB VRAM von NVIDIA L4 192GB, was volle GPU-Beschleunigung ermöglicht.

Kann ich DeepSeek R1 Distill Qwen 7B auf NVIDIA L4 192GB ausführen?

Ja. NVIDIA L4 192GB bietet 192 GB VRAM, was ausreicht, um DeepSeek R1 Distill Qwen 7B (FP16) 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. FP16 komprimiert DeepSeek R1 Distill Qwen 7B von seiner ursprünglichen Größe auf 14.19 GB.

Welche Quantisierung sollte ich für DeepSeek R1 Distill Qwen 7B wählen?

FP16 ist eine Vollpräzisions- 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 7B auf NVIDIA L4 192GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 192 GB VRAM zu maximieren.

Wie führe ich DeepSeek R1 Distill Qwen 7B (FP16) mit Ollama aus?

Führen Sie ollama run deepseek-r1:7b-qwen-distill-fp16 aus, um DeepSeek R1 Distill Qwen 7B (FP16) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026