DeepSeek V3.1 (Q8_0) — 280 GBauf Scaleway L40S-8-48G
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 Q8_0-Quantisierung (Qualitätsstufe high) wiegt das Modell 664.33 GB. Das übersteigt die 384 GB VRAM von Scaleway L40S-8-48G. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.
Hardwareanforderungen
| Modellgröße | 664.33 GB |
| Verfügbarer VRAM | 384 GB |
| Genutzter VRAM | 280 GB |
| System-RAM | 768 GB |
| Min. RAM benötigt | 652.4 GB |
| GPU-Ebenen | 61 / 61 |
| Kontextgröße | 163.840 |
| Backend | cuda13 |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Leistungshinweise
Bereitstellung
Voraussetzungen
Stellen Sie sicher, dass Ihre GPU-Knoten mit dem NVIDIA Container Toolkit vorbereitet sind:
ansible-playbook prositronic.infra.nvidia_container_toolkitBefehl
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/deepseek-v3-1/q8_0/nvidia-l40s-384gb.yaml) applyGenerierte values.yaml
/values/deepseek-v3-1/q8_0/nvidia-l40s-384gb.yaml
Werte werden geladen…Häufig gestellte Fragen
Wie viel VRAM benötigt DeepSeek V3.1 (Q8_0)?
Die Q8_0-Quantisierung von DeepSeek V3.1 benötigt 664.33 GB. Alle 61 Schichten passen in die 384 GB VRAM von Scaleway L40S-8-48G, was volle GPU-Beschleunigung ermöglicht.
Kann ich DeepSeek V3.1 auf Scaleway L40S-8-48G ausführen?
Ja. Scaleway L40S-8-48G bietet 384 GB VRAM, was ausreicht, um DeepSeek V3.1 (Q8_0) 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. Q8_0 komprimiert DeepSeek V3.1 von seiner ursprünglichen Größe auf 664.33 GB.
Welche Quantisierung sollte ich für DeepSeek V3.1 wählen?
Q8_0 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 Scaleway L40S-8-48G ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 384 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.