DeepSeek R1 Distill Qwen 32B (Q6_K) — 46.3 Gosur OVH a100-1-gpu

Code Multilingual Thinking Tool Calls

Q6_K OVH a100-1-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 Q6_K (niveau de qualité high), le modèle pèse 25.04 Go. Cela tient dans les 80 Go de VRAM de OVH a100-1-gpu, permettant une inférence entièrement sur GPU.

Le NVIDIA A100 80 Go est un GPU datacenter avec 80 Go de HBM2e VRAM et 2039 Go/s de bande passante memoire. Il delivre 312 FP16 TFLOPS, permettant une inference rapide sur de grands modeles de langage jusqu'a 70B parametres avec une quantification moderee. Parfaitement adapte aux equipes datacenter executant des charges de travail LLM en production necessitant une grande capacite memoire et un haut debit.

Configuration matérielle requise

Taille du modèle	25.04 GB
VRAM disponible	80 GB
VRAM utilisée	46.3 GB
RAM système	160 GB
RAM min requise	0 GB
Couches GPU	64 / 64
Taille du contexte	131 072
Backend	cuda13
Flash attention	Oui
Lecture depuis le disque	Oui

Déploiement

Prérequis

Assurez-vous que vos nœuds GPU sont préparés avec le NVIDIA container toolkit :

ansible-playbook prositronic.infra.nvidia_container_toolkit

Commande

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/deepseek-r1-distill-qwen-32b/q6_k/nvidia-a100-80gb.yaml) apply

Fichier `values.yaml`

/values/deepseek-r1-distill-qwen-32b/q6_k/nvidia-a100-80gb.yaml

Chargement des valeurs…

Installer llama.cpp

Installez llama.cpp depuis les instructions de compilation officielles pour votre plateforme et backend.

Télécharger 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-Q6_K.gguf"

Démarrer le serveur

llama-server \
  -m deepseek-r1-distill-qwen-32b.gguf \
  --n-gpu-layers 64 \
  --ctx-size 131072 \
  --flash-attn

Vérifier

curl http://localhost:8080/health

Questions fréquemment posées

De combien de VRAM DeepSeek R1 Distill Qwen 32B (Q6_K) a-t-il besoin ?

La quantification Q6_K de DeepSeek R1 Distill Qwen 32B nécessite 25.04 Go. Les 64 couches tiennent dans les 80 Go de VRAM disponibles sur OVH a100-1-gpu, permettant une accélération GPU complète.

Puis-je exécuter DeepSeek R1 Distill Qwen 32B sur OVH a100-1-gpu ?

Oui. OVH a100-1-gpu dispose de 80 Go de VRAM, ce qui suffit pour exécuter DeepSeek R1 Distill Qwen 32B (Q6_K) avec toutes les couches sur le GPU pour des performances optimales.

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. Q6_K compresse DeepSeek R1 Distill Qwen 32B de sa taille originale à 25.04 Go.

Quelle quantification choisir pour DeepSeek R1 Distill Qwen 32B ?

Q6_K est une quantification haute qualité. 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 a100-1-gpu, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 80 Go de VRAM disponibles.

Comment exécuter DeepSeek R1 Distill Qwen 32B (Q6_K) avec Ollama ?

Exécutez ollama run deepseek-r1:32b-qwen-distill-q6_k pour démarrer DeepSeek R1 Distill Qwen 32B (Q6_K). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 5 mars 2026