DeepSeek V3.1 (Q6_K_XL) — 79.4 GBen OVH h100-1-gpu
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 Q6_K_XL (nivel de calidad high), el modelo pesa 535.03 GB. Esto excede los 80 GB de VRAM de OVH h100-1-gpu. La inferencia sigue siendo posible mediante descarga a CPU o carga mapeada en memoria desde disco, pero con un rendimiento significativamente reducido.
La NVIDIA H100 80 GB es una GPU de datacenter con 80 GB de HBM3 VRAM y 3350 GB/s de ancho de banda de memoria. Ofrece 1979 FP16 TFLOPS en la arquitectura Hopper, lo que la convierte en la opcion de GPU unica mas rapida para la inferencia de grandes modelos de lenguaje. Maneja modelos de hasta 70B parametros con alto rendimiento. Disenada para equipos de datacenter que ejecutan cargas de trabajo de IA exigentes en produccion.
Requisitos de Hardware
| Tamaño del modelo | 535.03 GB |
| VRAM disponible | 80 GB |
| VRAM utilizada | 79.4 GB |
| RAM del sistema | 350 GB |
| RAM mín. requerida | 525.5 GB |
| Capas GPU | 61 / 61 |
| Tamaño del contexto | 42.100 |
| Backend | cuda13 |
| Flash attention | Sí |
| 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/q6_k_xl/nvidia-h100-80gb.yaml) applyArchivo values.yaml
/values/deepseek-v3-1/q6_k_xl/nvidia-h100-80gb.yaml
Cargando valores…Preguntas frecuentes
¿Cuánta VRAM necesita DeepSeek V3.1 (Q6_K_XL)?
La cuantización Q6_K_XL de DeepSeek V3.1 requiere 535.03 GB. Las 61 capas caben en los 80 GB de VRAM disponibles en OVH h100-1-gpu, permitiendo aceleración GPU completa.
¿Puedo ejecutar DeepSeek V3.1 en OVH h100-1-gpu?
Sí. OVH h100-1-gpu proporciona 80 GB de VRAM, suficiente para ejecutar DeepSeek V3.1 (Q6_K_XL) 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. Q6_K_XL comprime DeepSeek V3.1 de su tamaño original a 535.03 GB.
¿Qué cuantización debo elegir para DeepSeek V3.1?
Q6_K_XL es una cuantización de alta 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 OVH h100-1-gpu, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 80 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.