DeepSeek V3.1 (Q4_1) — 639.4 GBauf NVIDIA H100 640GB

Q4_1 NVIDIA H100 640GB

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 passt in die 640 GB VRAM von NVIDIA H100 640GB und ermöglicht vollständige GPU-Inferenz.

Hardwareanforderungen

Modellgröße	391.86 GB
Verfügbarer VRAM	640 GB
Genutzter VRAM	639.4 GB
GPU-Ebenen	61 / 61
Kontextgröße	151.205
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Mixture-of-Experts

Dies ist ein Mixture-of-Experts-Modell mit 256 Experten insgesamt, von denen 8 pro Token aktiv sind. Nur die aktiven Experten benötigen schnellen GPU-Zugriff — inaktive Expertengewichte können im Systemspeicher verbleiben, mit minimalem Einfluss auf die Generierungsgeschwindigkeit.

Zum MoE-Deployment-Leitfaden →

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-v3-1/q4_1/nvidia-h100-640gb.yaml) apply

Generierte values.yaml

/values/deepseek-v3-1/q4_1/nvidia-h100-640gb.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-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 151205 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• DeepSeek V3.1 (Q8_0)
• DeepSeek V3.1 (Q5_K_M)
• DeepSeek V3.1 (Q4_K_M)

Andere Hardware

• DeepSeek V3.1 on CPU Only
• DeepSeek V3.1 on NVIDIA A100 80GB
• DeepSeek V3.1 on NVIDIA H100

Häufig 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 640 GB VRAM von NVIDIA H100 640GB, was volle GPU-Beschleunigung ermöglicht.

Kann ich DeepSeek V3.1 auf NVIDIA H100 640GB ausführen?

Ja. NVIDIA H100 640GB bietet 640 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 NVIDIA H100 640GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 640 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.

Zuletzt aktualisiert: 5. März 2026