DeepSeek V3.1 (Q6_K) — 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 Q6_K-Quantisierung (Qualitätsstufe high) wiegt das Modell 513.41 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 | 513.41 GB |
| Verfügbarer VRAM | 64 GB |
| Genutzter VRAM | 63.4 GB |
| System-RAM | |
| Min. RAM benötigt | 505 GB |
| GPU-Ebenen | 1 / 61 |
| Kontextgröße | 32.991 |
| 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/Q6_K/DeepSeek-V3.1-Q6_K-00001-of-00012.gguf"Server starten
llama-server \
-m deepseek-v3-1.gguf \
--n-gpu-layers 1 \
--ctx-size 32991 \
--flash-attnÜberprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt DeepSeek V3.1 (Q6_K)?
Die Q6_K-Quantisierung von DeepSeek V3.1 benötigt 513.41 GB. 1 von 61 Schichten passen in die 64 GB VRAM von Apple M3 Max 64GB; die übrigen Schichten werden auf die CPU ausgelagert.
Kann ich DeepSeek V3.1 auf Apple M3 Max 64GB ausführen?
Ja, mit reduzierter Leistung. Apple M3 Max 64GB kann DeepSeek V3.1 (Q6_K) ausführen, aber nur 1 von 61 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. Q6_K komprimiert DeepSeek V3.1 von seiner ursprünglichen Größe auf 513.41 GB.
Welche Quantisierung sollte ich für DeepSeek V3.1 wählen?
Q6_K ist eine hochwertige 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.
Warum werden einige Schichten auf die CPU ausgelagert?
Apple M3 Max 64GB hat 64 GB VRAM, aber DeepSeek V3.1 (Q6_K) benötigt ungefähr 513.41 GB. Nur 1 von 61 Schichten passen in den VRAM; die übrigen Schichten laufen auf der CPU, was langsamer, aber funktional ist.
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.