DeepSeek R1 Distill Qwen 32B (FP16) — 23.4 GBen NVIDIA RTX 3090

FP16 NVIDIA RTX 3090

Descripción General

DeepSeek R1 Distill Qwen 32B es un modelo de lenguaje dense de 32.76B parámetros de DeepSeek, con capacidades de code, multilingual, thinking, tool-calls. Admite una ventana de contexto de hasta 131,072 tokens.

DeepSeek R1 Distill Qwen 32B es un transformador denso de 32.760 millones de parametros de DeepSeek, destilado del modelo de razonamiento R1 mas grande en una arquitectura basada en Qwen. Destaca en razonamiento "chain-of-thought", generacion de codigo y tareas multilingues con capacidades de pensamiento integradas. Comparado con modelos instruct estandar de clase 30B, proporciona un razonamiento logico y matematico mas fuerte. El modelo soporta nueve idiomas y una ventana de contexto de 128K, lo que lo hace adecuado para desarrolladores e investigadores que necesitan inferencia enfocada en razonamiento en configuraciones GPU de gama media.

Con cuantización FP16 (nivel de calidad full-precision), el modelo pesa 61.03 GB. Esto excede los 24 GB de VRAM de NVIDIA RTX 3090. La inferencia sigue siendo posible mediante descarga a CPU o carga mapeada en memoria desde disco, pero con un rendimiento significativamente reducido.

La NVIDIA GeForce RTX 3090 es una GPU de consumo con 24 GB de GDDR6X VRAM y 936 GB/s de ancho de banda de memoria. Ofrece 35.6 FP16 TFLOPS, proporcionando un rendimiento solido para la inferencia LLM local a un coste menor que las tarjetas mas nuevas. Ejecuta bien modelos cuantizados de hasta 20B parametros. Una opcion practica para desarrolladores con presupuesto ajustado y entusiastas del home lab.

Requisitos de Hardware

Tamaño del modelo	61.03 GB
VRAM disponible	24 GB
VRAM utilizada	23.4 GB
RAM mín. requerida	39.1 GB
Capas GPU	23 / 64
Tamaño del contexto	1458
Backend	cuda13
Flash attention	Sí

Notas de rendimiento

Rendimiento reducido

41 de 64 capas se ejecutan en CPU. Su sistema necesita al menos 39.1 GB de RAM. Si la RAM del sistema es insuficiente, los datos se leerán del disco bajo demanda, con un impacto significativo en el rendimiento.

Conversaciones más cortas

El tamaño del contexto se ha reducido debido a restricciones de memoria. Esto puede afectar la capacidad del modelo para manejar conversaciones largas.

Despliegue

Servidor Local

Prerrequisitos

Asegúrese de que sus nodos GPU estén preparados con el NVIDIA container toolkit:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Comando

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/deepseek-r1-distill-qwen-32b/fp16/nvidia-rtx3090.yaml) apply

Archivo values.yaml

/values/deepseek-r1-distill-qwen-32b/fp16/nvidia-rtx3090.yaml

Cargando valores…

Instalar llama.cpp

Instale llama.cpp desde las instrucciones de compilación oficiales para su plataforma y backend.

Descargar modelo

curl -L -o deepseek-r1-distill-qwen-32b.gguf "https://huggingface.co/unsloth/DeepSeek-R1-Distill-Qwen-32B-GGUF/resolve/main/DeepSeek-R1-Distill-Qwen-32B-F16/DeepSeek-R1-Distill-Qwen-32B-F16-00001-of-00002.gguf"

Iniciar servidor

llama-server \
  -m deepseek-r1-distill-qwen-32b.gguf \
  --n-gpu-layers 23 \
  --ctx-size 1458 \
  --flash-attn

Verificar

curl http://localhost:8080/health

Explorar

• Configurar un despliegue
• Explorar modelos
• Explorar hardware

Otras cuantizaciones

• DeepSeek R1 Distill Qwen 32B (Q8_0)
• DeepSeek R1 Distill Qwen 32B (Q5_K_M)
• DeepSeek R1 Distill Qwen 32B (Q4_K_M)

Otro hardware

• DeepSeek R1 Distill Qwen 32B on CPU Only
• DeepSeek R1 Distill Qwen 32B on NVIDIA A100 80GB
• DeepSeek R1 Distill Qwen 32B on NVIDIA H100

Preguntas frecuentes

¿Cuánta VRAM necesita DeepSeek R1 Distill Qwen 32B (FP16)?

La cuantización FP16 de DeepSeek R1 Distill Qwen 32B requiere 61.03 GB. 23 de 64 capas caben en los 24 GB de VRAM de NVIDIA RTX 3090; las capas restantes se descargan al CPU.

¿Puedo ejecutar DeepSeek R1 Distill Qwen 32B en NVIDIA RTX 3090?

Sí, con rendimiento reducido. NVIDIA RTX 3090 puede ejecutar DeepSeek R1 Distill Qwen 32B (FP16), pero solo 23 de 64 capas caben en la VRAM. El resto se descarga al CPU.

¿Qué es la cuantización?

La cuantización reduce la precisión numérica de un modelo de su formato original de punto flotante a una representación más compacta. Esto reduce el tamaño del archivo y la huella de VRAM, haciendo posible ejecutar modelos grandes en hardware de consumo. La contrapartida es una pequeña reducción en la calidad de salida. FP16 comprime DeepSeek R1 Distill Qwen 32B de su tamaño original a 61.03 GB.

¿Qué cuantización debo elegir para DeepSeek R1 Distill Qwen 32B?

FP16 es una cuantización de precisión completa. Los quants de mayor calidad (Q8, Q6) preservan más precisión del modelo pero necesitan más VRAM. Los quants inferiores (Q4, Q3, Q2) reducen el uso de VRAM a costa de cierta calidad. Elija según su hardware disponible y requisitos de calidad.

¿Qué es flash attention y por qué está activado?

Flash attention es un algoritmo eficiente en memoria que acelera el mecanismo de atención en modelos transformer. Reduce el uso de VRAM durante la inferencia evitando la materialización de la matriz de atención completa. Para DeepSeek R1 Distill Qwen 32B en NVIDIA RTX 3090, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 24 GB de VRAM disponibles.

¿Por qué se descargan algunas capas al CPU?

NVIDIA RTX 3090 tiene 24 GB de VRAM, pero DeepSeek R1 Distill Qwen 32B (FP16) requiere aproximadamente 61.03 GB. Solo 23 de 64 capas caben en la VRAM; las capas restantes se ejecutan en el CPU, que es más lento pero funcional.

¿Cómo ejecutar DeepSeek R1 Distill Qwen 32B (FP16) con Ollama?

Ejecute ollama run deepseek-r1:32b-qwen-distill-fp16 para iniciar DeepSeek R1 Distill Qwen 32B (FP16). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.

Última actualización: 5 de marzo de 2026