DeepSeek V3.1 (Q3_K_M) — 191.4 GBen NVIDIA L4 192GB

Q3_K_M NVIDIA L4 192GB

Descripción General

DeepSeek V3.1 es un modelo de lenguaje moe de 684.53B parámetros de DeepSeek, con capacidades de code, multilingual, thinking, tool-calls. Admite una ventana de contexto de hasta 163,840 tokens.

DeepSeek V3.1 es un modelo "Mixture-of-Experts" de 685.000 millones de parametros de DeepSeek, que activa 8 de 256 expertos por token mas un experto compartido. Ofrece rendimiento de vanguardia en generacion de codigo, razonamiento y tareas multilingues utilizando muchos menos parametros activos por paso de inferencia que modelos densos de tamano comparable. El modelo soporta modo de razonamiento, "tool calling" y nueve idiomas. Con una ventana de contexto de 160K, requiere configuraciones multi-GPU o distribuidas pero se cuantiza hasta niveles Q2 para una huella de VRAM reducida.

Con cuantización Q3_K_M (nivel de calidad low), el modelo pesa 298.46 GB. Esto excede los 192 GB de VRAM de NVIDIA L4 192GB. La inferencia sigue siendo posible mediante descarga a CPU o carga mapeada en memoria desde disco, pero con un rendimiento significativamente reducido.

Requisitos de Hardware

Tamaño del modelo	298.46 GB
VRAM disponible	192 GB
VRAM utilizada	191.4 GB
RAM mín. requerida	293.1 GB
Capas GPU	61 / 61
Tamaño del contexto	113.459
Backend	cuda13
Flash attention	Sí

Notas de rendimiento

Mixture-of-Experts

Este es un modelo Mixture-of-Experts con 256 expertos en total, de los cuales 8 están activos por token. Solo los expertos activos necesitan acceso rápido a la GPU — los pesos de los expertos inactivos pueden residir en la RAM del sistema con un impacto mínimo en la velocidad de generación.

Leer la guía de despliegue MoE →

Posible impacto en el rendimiento

Pesos de expertos descargados a CPU mediante reemplazo de tensores. Se recomiendan al menos 293.1 GB de RAM del sistema — si es insuficiente, los datos se leerán del disco bajo demanda.

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-v3-1/q3_k_m/nvidia-l4-192gb.yaml) apply

Archivo values.yaml

/values/deepseek-v3-1/q3_k_m/nvidia-l4-192gb.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-v3-1.gguf "https://huggingface.co/unsloth/DeepSeek-V3.1-GGUF/resolve/main/Q3_K_M/DeepSeek-V3.1-Q3_K_M-00001-of-00007.gguf"

Iniciar servidor

llama-server \
  -m deepseek-v3-1.gguf \
  --n-gpu-layers 61 \
  --ctx-size 113459 \
  --flash-attn \
  -ot ".ffn_.*_exps.=CPU"

Verificar

curl http://localhost:8080/health

Explorar

• Configurar un despliegue
• Explorar modelos
• Explorar hardware

Otras cuantizaciones

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

Otro hardware

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

Preguntas frecuentes

¿Cuánta VRAM necesita DeepSeek V3.1 (Q3_K_M)?

La cuantización Q3_K_M de DeepSeek V3.1 requiere 298.46 GB. Las 61 capas caben en los 192 GB de VRAM disponibles en NVIDIA L4 192GB, permitiendo aceleración GPU completa.

¿Puedo ejecutar DeepSeek V3.1 en NVIDIA L4 192GB?

Sí. NVIDIA L4 192GB proporciona 192 GB de VRAM, suficiente para ejecutar DeepSeek V3.1 (Q3_K_M) con todas las capas en la GPU para un rendimiento óptimo.

¿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. Q3_K_M comprime DeepSeek V3.1 de su tamaño original a 298.46 GB.

¿Qué cuantización debo elegir para DeepSeek V3.1?

Q3_K_M es una cuantización de baja calidad. 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 V3.1 en NVIDIA L4 192GB, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 192 GB de VRAM disponibles.

¿Qué es MoE y cómo afecta al despliegue?

DeepSeek V3.1 utiliza una arquitectura Mixture-of-Experts (MoE) con 256 expertos, de los cuales 8 están activos por token. Esto significa que solo una fracción de los pesos del modelo se utiliza en cada paso de inferencia, permitiendo que los modelos MoE sean más grandes en número total de parámetros mientras permanecen eficientes durante la inferencia.

Última actualización: 5 de marzo de 2026