DeepSeek V3.1 (Q4_0) — 54.7 GBen Scaleway L40S-1-48G
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 Q4_0 (nivel de calidad medium), el modelo pesa 354 GB. Esto excede los 48 GB de VRAM de Scaleway L40S-1-48G. La inferencia sigue siendo posible mediante descarga a CPU o carga mapeada en memoria desde disco, pero con un rendimiento significativamente reducido.
La NVIDIA L40S es una GPU de datacenter con 48 GB de GDDR6 VRAM y 864 GB/s de ancho de banda de memoria. Ofrece 362 FP16 TFLOPS con arquitectura Ada Lovelace. Una GPU versatil para inferencia IA, entrenamiento y cargas graficas. Maneja modelos cuantizados hasta 40B parametros con facilidad.
Requisitos de Hardware
| Tamaño del modelo | 354 GB |
| VRAM disponible | 48 GB |
| VRAM utilizada | 54.7 GB |
| RAM del sistema | 96 GB |
| RAM mín. requerida | 354 GB |
| Capas GPU | 0 / 61 |
| Tamaño del contexto | 32.768 |
| Backend | cuda13 |
| Flash attention | No |
| Lectura desde disco | Sí |
Notas de rendimiento
Despliegue
Prerrequisitos
Asegúrese de que sus nodos GPU estén preparados con el NVIDIA container toolkit:
ansible-playbook prositronic.infra.nvidia_container_toolkitComando
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/deepseek-v3-1/q4_0/nvidia-l40s.yaml) applyArchivo values.yaml
/values/deepseek-v3-1/q4_0/nvidia-l40s.yaml
Cargando valores…Preguntas frecuentes
¿Cuánta VRAM necesita DeepSeek V3.1 (Q4_0)?
La cuantización Q4_0 de DeepSeek V3.1 requiere 354 GB. Los 48 GB de VRAM de Scaleway L40S-1-48G son insuficientes para las capas GPU, por lo que la inferencia se ejecuta en el CPU.
¿Puedo ejecutar DeepSeek V3.1 en Scaleway L40S-1-48G?
Es posible pero no recomendado. Scaleway L40S-1-48G no tiene suficiente VRAM para acelerar DeepSeek V3.1 (Q4_0), por lo que la inferencia dependerá del CPU y la RAM del sistema.
¿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. Q4_0 comprime DeepSeek V3.1 de su tamaño original a 354 GB.
¿Qué cuantización debo elegir para DeepSeek V3.1?
Q4_0 es una cuantización de calidad media. 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.
¿Por qué se descargan algunas capas al CPU?
Scaleway L40S-1-48G tiene 48 GB de VRAM, pero DeepSeek V3.1 (Q4_0) requiere aproximadamente 354 GB. Solo 0 de 61 capas caben en la VRAM; las capas restantes se ejecutan en el CPU, que es más lento pero funcional.
¿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.