DeepSeek R1 Distill Qwen 7B (FP16) — 15.4 GBauf NVIDIA P100

FP16 NVIDIA P100

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 16 GB VRAM von NVIDIA P100 und ermöglicht vollständige GPU-Inferenz.

Hardwareanforderungen

Modellgröße	14.19 GB
Verfügbarer VRAM	16 GB
Genutzter VRAM	15.4 GB
Min. RAM benötigt	0.5 GB
GPU-Ebenen	27 / 28
Kontextgröße	8.839
Backend	cuda12
Flash Attention	Ja

Leistungshinweise

Reduzierte Leistung

1 von 28 Schichten laufen auf der CPU. Ihr System benötigt mindestens 0.5 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

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-p100.yaml) apply

Generierte values.yaml

/values/deepseek-r1-distill-qwen-7b/fp16/nvidia-p100.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 27 \
  --ctx-size 8839 \
  --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. 27 von 28 Schichten passen in die 16 GB VRAM von NVIDIA P100; die übrigen Schichten werden auf die CPU ausgelagert.

Kann ich DeepSeek R1 Distill Qwen 7B auf NVIDIA P100 ausführen?

Ja, mit reduzierter Leistung. NVIDIA P100 kann DeepSeek R1 Distill Qwen 7B (FP16) ausführen, aber nur 27 von 28 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. 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 P100 ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 16 GB VRAM zu maximieren.

Warum werden einige Schichten auf die CPU ausgelagert?

NVIDIA P100 hat 16 GB VRAM, aber DeepSeek R1 Distill Qwen 7B (FP16) benötigt ungefähr 14.19 GB. Nur 27 von 28 Schichten passen in den VRAM; die übrigen Schichten laufen auf der CPU, was langsamer, aber funktional ist.

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