DeepSeek R1 Distill Qwen 32B (Q6_K) — 23.4 Gosur OVH l4-1-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 dépasse les 24 Go de VRAM de OVH l4-1-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 L4 est un GPU datacenter d'inference avec 24 Go de GDDR6 VRAM et 300 Go/s de bande passante memoire. Elle delivre 121 FP16 TFLOPS avec l'architecture Ada Lovelace. Concue pour des charges d'inference efficaces et basse consommation dans les deployments cloud et edge. Gere les modeles quantifies jusqu'a 20B parametres.
Configuration matérielle requise
| Taille du modèle | 25.04 GB |
| VRAM disponible | 24 GB |
| VRAM utilisée | 23.4 GB |
| RAM système | 80 GB |
| RAM min requise | 3.1 GB |
| Couches GPU | 56 / 64 |
| Taille du contexte | 1 607 |
| 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/q6_k/nvidia-l4.yaml) applyFichier values.yaml
/values/deepseek-r1-distill-qwen-32b/q6_k/nvidia-l4.yaml
Chargement des valeurs…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. 56 des 64 couches tiennent dans les 24 Go de VRAM de OVH l4-1-gpu ; les couches restantes sont déchargées sur le CPU.
Puis-je exécuter DeepSeek R1 Distill Qwen 32B sur OVH l4-1-gpu ?
Oui, avec des performances réduites. OVH l4-1-gpu peut exécuter DeepSeek R1 Distill Qwen 32B (Q6_K), mais seules 56 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. 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 l4-1-gpu, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 24 Go de VRAM disponibles.
Pourquoi certaines couches sont-elles déchargées sur le CPU ?
OVH l4-1-gpu dispose de 24 Go de VRAM, mais DeepSeek R1 Distill Qwen 32B (Q6_K) nécessite environ 25.04 Go. Seules 56 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 (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.