DeepSeek R1 Distill Qwen 32B (FP16) — 47.4 Gosur OVH l40s-1-gpu
Aperçu
DeepSeek R1 Distill Qwen 32B est un modèle de langage dense de 32.76B paramètres par DeepSeek, avec des capacités en code, multilingual, thinking, tool-calls. Il prend en charge une fenêtre de contexte allant jusqu’à 131,072 tokens.
DeepSeek R1 Distill Qwen 32B est un transformeur dense de 32,76 milliards de parametres de DeepSeek, distille a partir du plus grand modele de raisonnement R1 dans une architecture basee sur Qwen. Il excelle dans le raisonnement "chain-of-thought", la generation de code et les taches multilingues avec des capacites de reflexion integrees. Compare aux modeles instruct standard de classe 30B, il offre un raisonnement logique et mathematique plus performant. Le modele prend en charge neuf langues et une fenetre de contexte de 128K, ce qui le rend adapte aux developpeurs et chercheurs ayant besoin d'une inference axee sur le raisonnement avec des configurations GPU de milieu de gamme.
Avec la quantification FP16 (niveau de qualité full-precision), le modèle pèse 61.03 Go. Cela dépasse les 48 Go de VRAM de OVH l40s-1-gpu. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.
La NVIDIA L40S est un GPU datacenter avec 48 Go de GDDR6 VRAM et 864 Go/s de bande passante memoire. Elle delivre 362 FP16 TFLOPS avec l'architecture Ada Lovelace. Un GPU polyvalent pour l'inference IA, l'entrainement et les charges graphiques. Gere confortablement les modeles quantifies jusqu'a 40B parametres.
Configuration matérielle requise
| Taille du modèle | 61.03 GB |
| VRAM disponible | 48 GB |
| VRAM utilisée | 47.4 GB |
| RAM système | 80 GB |
| RAM min requise | 15.3 GB |
| Couches GPU | 48 / 64 |
| Taille du contexte | 2 508 |
| Backend | cuda13 |
| Flash attention | Oui |
| Lecture depuis le disque | Oui |
Notes de performance
Déploiement
Prérequis
Assurez-vous que vos nœuds GPU sont préparés avec le NVIDIA container toolkit :
ansible-playbook prositronic.infra.nvidia_container_toolkitCommande
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/deepseek-r1-distill-qwen-32b/fp16/nvidia-l40s.yaml) applyFichier values.yaml
/values/deepseek-r1-distill-qwen-32b/fp16/nvidia-l40s.yaml
Chargement des valeurs…Questions fréquemment posées
De combien de VRAM DeepSeek R1 Distill Qwen 32B (FP16) a-t-il besoin ?
La quantification FP16 de DeepSeek R1 Distill Qwen 32B nécessite 61.03 Go. 48 des 64 couches tiennent dans les 48 Go de VRAM de OVH l40s-1-gpu ; les couches restantes sont déchargées sur le CPU.
Puis-je exécuter DeepSeek R1 Distill Qwen 32B sur OVH l40s-1-gpu ?
Oui, avec des performances réduites. OVH l40s-1-gpu peut exécuter DeepSeek R1 Distill Qwen 32B (FP16), mais seules 48 des 64 couches tiennent dans la VRAM. Le reste est déchargé sur le CPU.
Qu'est-ce que la quantification ?
La quantification réduit la précision numérique d'un modèle de son format virgule flottante original vers une représentation plus compacte. Cela réduit la taille du fichier et l'empreinte VRAM, rendant possible l'exécution de grands modèles sur du matériel grand public. Le compromis est une légère réduction de la qualité de sortie. FP16 compresse DeepSeek R1 Distill Qwen 32B de sa taille originale à 61.03 Go.
Quelle quantification choisir pour DeepSeek R1 Distill Qwen 32B ?
FP16 est une quantification pleine précision. Les quants de meilleure qualité (Q8, Q6) préservent davantage la précision du modèle mais nécessitent plus de VRAM. Les quants inférieurs (Q4, Q3, Q2) réduisent l'utilisation de la VRAM au prix d'une certaine qualité. Choisissez en fonction de votre matériel disponible et de vos exigences de qualité.
Qu'est-ce que le flash attention et pourquoi est-il activé ?
Flash attention est un algorithme efficace en mémoire qui accélère le mécanisme d'attention dans les modèles transformer. Il réduit l'utilisation de la VRAM pendant l'inférence en évitant la matérialisation de la matrice d'attention complète. Pour DeepSeek R1 Distill Qwen 32B sur OVH l40s-1-gpu, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 48 Go de VRAM disponibles.
Pourquoi certaines couches sont-elles déchargées sur le CPU ?
OVH l40s-1-gpu dispose de 48 Go de VRAM, mais DeepSeek R1 Distill Qwen 32B (FP16) nécessite environ 61.03 Go. Seules 48 des 64 couches tiennent dans la VRAM ; les couches restantes s'exécutent sur le CPU, ce qui est plus lent mais fonctionnel.
Comment exécuter DeepSeek R1 Distill Qwen 32B (FP16) avec Ollama ?
Exécutez ollama run deepseek-r1:32b-qwen-distill-fp16 pour démarrer DeepSeek R1 Distill Qwen 32B (FP16). Ollama télécharge automatiquement les poids du modèle au premier lancement.