DeepSeek V3.1 (Q4_K_M) — 54.7 GBen NVIDIA V100S

Q4_K_M NVIDIA V100S

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_K_M (nivel de calidad medium), el modelo pesa 377.56 GB. Esto excede los 32 GB de VRAM de NVIDIA V100S. 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	377.56 GB
VRAM disponible	32 GB
VRAM utilizada	54.7 GB
RAM mín. requerida	377.6 GB
Capas GPU	0 / 61
Tamaño del contexto	32.768
Backend	cuda13
Flash attention	No

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 →

Rendimiento reducido

61 de 61 capas se ejecutan en CPU. Su sistema necesita al menos 377.6 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-v3-1/q4_k_m/nvidia-v100s.yaml) apply

Archivo values.yaml

/values/deepseek-v3-1/q4_k_m/nvidia-v100s.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/Q4_K_M/DeepSeek-V3.1-Q4_K_M-00001-of-00009.gguf"

Iniciar servidor

llama-server \
  -m deepseek-v3-1.gguf \
  --n-gpu-layers 0 \
  --ctx-size 32768

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)

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 (Q4_K_M)?

La cuantización Q4_K_M de DeepSeek V3.1 requiere 377.56 GB. Los 32 GB de VRAM de NVIDIA V100S son insuficientes para las capas GPU, por lo que la inferencia se ejecuta en el CPU.

¿Puedo ejecutar DeepSeek V3.1 en NVIDIA V100S?

Es posible pero no recomendado. NVIDIA V100S no tiene suficiente VRAM para acelerar DeepSeek V3.1 (Q4_K_M), 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_K_M comprime DeepSeek V3.1 de su tamaño original a 377.56 GB.

¿Qué cuantización debo elegir para DeepSeek V3.1?

Q4_K_M 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?

NVIDIA V100S tiene 32 GB de VRAM, pero DeepSeek V3.1 (Q4_K_M) requiere aproximadamente 377.56 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.

Última actualización: 5 de marzo de 2026