DeepSeek R1 Distill Qwen 7B (Q2_K_L) — 11.2 GBauf Apple M4 Max 128GB
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 Q2_K_L-Quantisierung (Qualitätsstufe low) wiegt das Modell 2.93 GB. Das passt in die 128 GB VRAM von Apple M4 Max 128GB und ermöglicht vollständige GPU-Inferenz.
Hardwareanforderungen
| Modellgröße | 2.93 GB |
| Verfügbarer VRAM | 128 GB |
| Genutzter VRAM | 11.2 GB |
| System-RAM | |
| Min. RAM benötigt | 0 GB |
| GPU-Ebenen | 28 / 28 |
| Kontextgröße | 131.072 |
| Backend | metal |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Bereitstellung
llama.cpp installieren
brew install llama.cppModell 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-Q2_K_L.gguf"Server starten
llama-server \
-m deepseek-r1-distill-qwen-7b.gguf \
--n-gpu-layers 28 \
--ctx-size 131072 \
--flash-attnÜberprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt DeepSeek R1 Distill Qwen 7B (Q2_K_L)?
Die Q2_K_L-Quantisierung von DeepSeek R1 Distill Qwen 7B benötigt 2.93 GB. Alle 28 Schichten passen in die 128 GB VRAM von Apple M4 Max 128GB, was volle GPU-Beschleunigung ermöglicht.
Kann ich DeepSeek R1 Distill Qwen 7B auf Apple M4 Max 128GB ausführen?
Ja. Apple M4 Max 128GB bietet 128 GB VRAM, was ausreicht, um DeepSeek R1 Distill Qwen 7B (Q2_K_L) 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. Q2_K_L komprimiert DeepSeek R1 Distill Qwen 7B von seiner ursprünglichen Größe auf 2.93 GB.
Welche Quantisierung sollte ich für DeepSeek R1 Distill Qwen 7B wählen?
Q2_K_L ist eine niedrigwertige 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 Apple M4 Max 128GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 128 GB VRAM zu maximieren.
Wie führe ich DeepSeek R1 Distill Qwen 7B (Q2_K_L) mit Ollama aus?
Führen Sie ollama run deepseek-r1:7b-qwen-distill-q2_k_l aus, um DeepSeek R1 Distill Qwen 7B (Q2_K_L) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.