DeepSeek V3.1 (Q4_1) — 63.4 GBauf Apple M3 Max 64GB
Überblick
DeepSeek V3.1 ist ein 684.53B-Parameter moe-Sprachmodell von DeepSeek, mit Fähigkeiten in code, multilingual, thinking, tool-calls. Es unterstützt ein Kontextfenster von bis zu 163,840 Tokens.
DeepSeek V3.1 ist ein Mixture-of-Experts-Modell mit 685 Milliarden Parametern von DeepSeek, das 8 von 256 Experten pro Token plus einen geteilten Experten aktiviert. Es liefert Spitzenleistungen bei Codegenerierung, Schlussfolgern und mehrsprachigen Aufgaben und nutzt dabei weit weniger aktive Parameter pro Inferenzschritt als vergleichbar grosse dichte Modelle. Das Modell unterstuetzt Denkmodus, Tool Calling und neun Sprachen. Mit einem 160K-Kontextfenster erfordert es Multi-GPU- oder verteilte Setups, laesst sich aber bis auf Q2-Stufen quantisieren fuer einen reduzierten VRAM-Bedarf.
Bei Q4_1-Quantisierung (Qualitätsstufe medium) wiegt das Modell 391.86 GB. Das übersteigt die 64 GB VRAM von Apple M3 Max 64GB. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.
Hardwareanforderungen
| Modellgröße | 391.86 GB |
| Verfügbarer VRAM | 64 GB |
| Genutzter VRAM | 63.4 GB |
| System-RAM | |
| Min. RAM benötigt | 384.8 GB |
| GPU-Ebenen | 61 / 61 |
| Kontextgröße | 33.851 |
| Backend | metal |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Leistungshinweise
Bereitstellung
llama.cpp installieren
brew install llama.cppModell herunterladen
curl -L -o deepseek-v3-1.gguf "https://huggingface.co/unsloth/DeepSeek-V3.1-GGUF/resolve/main/Q4_1/DeepSeek-V3.1-Q4_1-00001-of-00009.gguf"Server starten
llama-server \
-m deepseek-v3-1.gguf \
--n-gpu-layers 61 \
--ctx-size 33851 \
--flash-attn \
-ot ".ffn_.*_exps.=CPU"Überprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt DeepSeek V3.1 (Q4_1)?
Die Q4_1-Quantisierung von DeepSeek V3.1 benötigt 391.86 GB. Alle 61 Schichten passen in die 64 GB VRAM von Apple M3 Max 64GB, was volle GPU-Beschleunigung ermöglicht.
Kann ich DeepSeek V3.1 auf Apple M3 Max 64GB ausführen?
Ja. Apple M3 Max 64GB bietet 64 GB VRAM, was ausreicht, um DeepSeek V3.1 (Q4_1) 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. Q4_1 komprimiert DeepSeek V3.1 von seiner ursprünglichen Größe auf 391.86 GB.
Welche Quantisierung sollte ich für DeepSeek V3.1 wählen?
Q4_1 ist eine mittelwertige 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 V3.1 auf Apple M3 Max 64GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 64 GB VRAM zu maximieren.
Was ist MoE und wie beeinflusst es die Bereitstellung?
DeepSeek V3.1 verwendet eine Mixture-of-Experts (MoE)-Architektur mit 256 Experten, von denen 8 pro Token aktiv sind. Das bedeutet, dass nur ein Bruchteil der Modellgewichte bei jedem Inferenzschritt verwendet wird, wodurch MoE-Modelle bei der Gesamtparameteranzahl größer sein können und dennoch bei der Inferenz effizient bleiben.