DeepSeek R1 Distill Qwen 32B (Q5_K_M) — 15.4 Gosur Apple M2 Pro 16GB
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 Q5_K_M (niveau de qualité medium), le modèle pèse 21.66 Go. Cela dépasse les 16 Go de VRAM de Apple M2 Pro 16GB. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.
Configuration matérielle requise
| Taille du modèle | 21.66 GB |
| VRAM disponible | 16 GB |
| VRAM utilisée | 15.4 GB |
| RAM système | |
| RAM min requise | 7.8 GB |
| Couches GPU | 41 / 64 |
| Taille du contexte | 1 830 |
| Backend | metal |
| Flash attention | Oui |
| Lecture depuis le disque | Oui |
Notes de performance
Déploiement
Installer llama.cpp
brew install llama.cppTélécharger le modèle
curl -L -o deepseek-r1-distill-qwen-32b.gguf "https://huggingface.co/unsloth/DeepSeek-R1-Distill-Qwen-32B-GGUF/resolve/main/DeepSeek-R1-Distill-Qwen-32B-Q5_K_M.gguf"Démarrer le serveur
llama-server \
-m deepseek-r1-distill-qwen-32b.gguf \
--n-gpu-layers 41 \
--ctx-size 1830 \
--flash-attnVérifier
curl http://localhost:8080/healthQuestions fréquemment posées
De combien de VRAM DeepSeek R1 Distill Qwen 32B (Q5_K_M) a-t-il besoin ?
La quantification Q5_K_M de DeepSeek R1 Distill Qwen 32B nécessite 21.66 Go. 41 des 64 couches tiennent dans les 16 Go de VRAM de Apple M2 Pro 16GB ; les couches restantes sont déchargées sur le CPU.
Puis-je exécuter DeepSeek R1 Distill Qwen 32B sur Apple M2 Pro 16GB ?
Oui, avec des performances réduites. Apple M2 Pro 16GB peut exécuter DeepSeek R1 Distill Qwen 32B (Q5_K_M), mais seules 41 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. Q5_K_M compresse DeepSeek R1 Distill Qwen 32B de sa taille originale à 21.66 Go.
Quelle quantification choisir pour DeepSeek R1 Distill Qwen 32B ?
Q5_K_M est une quantification qualité moyenne. 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 Apple M2 Pro 16GB, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 16 Go de VRAM disponibles.
Pourquoi certaines couches sont-elles déchargées sur le CPU ?
Apple M2 Pro 16GB dispose de 16 Go de VRAM, mais DeepSeek R1 Distill Qwen 32B (Q5_K_M) nécessite environ 21.66 Go. Seules 41 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 (Q5_K_M) avec Ollama ?
Exécutez ollama run deepseek-r1:32b-qwen-distill-q5_k_m pour démarrer DeepSeek R1 Distill Qwen 32B (Q5_K_M). Ollama télécharge automatiquement les poids du modèle au premier lancement.