DeepSeek R1 Distill Qwen 7B (Q2_K_L) — 11.2 Gosur NVIDIA RTX 4090

Code Multilingual Thinking Tool Calls

Q2_K_L NVIDIA RTX 4090

Aperçu

DeepSeek R1 Distill Qwen 7B est un modèle de langage dense de 7.62B 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 7B est un transformeur dense de 7,62 milliards de parametres de DeepSeek, distille a partir du modele de raisonnement R1 dans une architecture compacte basee sur Qwen. Il apporte le raisonnement "chain-of-thought" et les capacites de reflexion a la classe des 7B parametres, surpassant son poids sur les taches de mathematiques et de logique. Compare aux modeles instruct 7B standard, il offre un raisonnement structure nettement plus performant. Avec une fenetre de contexte de 128K et neuf langues prises en charge, il tient sur un seul GPU grand public et se quantifie bien pour un deploiement auto-heberge efficace.

Avec la quantification Q2_K_L (niveau de qualité low), le modèle pèse 2.93 Go. Cela tient dans les 24 Go de VRAM de NVIDIA RTX 4090, permettant une inférence entièrement sur GPU.

La NVIDIA GeForce RTX 4090 est un GPU grand public avec 24 Go de GDDR6X VRAM et 1008 Go/s de bande passante memoire. Elle delivre 82.6 FP16 TFLOPS, ce qui en fait l'une des cartes grand public les plus rapides pour l'inference LLM locale. Elle gere confortablement les modeles quantifies jusqu'a 20B parametres. Ideale pour les constructeurs de home lab et les developpeurs recherchant une inference a haut debit sans materiel datacenter.

Configuration matérielle requise

Taille du modèle	2.93 GB
VRAM disponible	24 GB
VRAM utilisée	11.2 GB
RAM système
RAM min requise	0 GB
Couches GPU	28 / 28
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-7b/q2_k_l/nvidia-rtx4090.yaml) apply

Fichier `values.yaml`

/values/deepseek-r1-distill-qwen-7b/q2_k_l/nvidia-rtx4090.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-7b.gguf "https://huggingface.co/unsloth/DeepSeek-R1-Distill-Qwen-7B-GGUF/resolve/main/DeepSeek-R1-Distill-Qwen-7B-Q2_K_L.gguf"

Démarrer le serveur

llama-server \
  -m deepseek-r1-distill-qwen-7b.gguf \
  --n-gpu-layers 28 \
  --ctx-size 131072 \
  --flash-attn

Vérifier

curl http://localhost:8080/health

Questions fréquemment posées

De combien de VRAM DeepSeek R1 Distill Qwen 7B (Q2_K_L) a-t-il besoin ?

La quantification Q2_K_L de DeepSeek R1 Distill Qwen 7B nécessite 2.93 Go. Les 28 couches tiennent dans les 24 Go de VRAM disponibles sur NVIDIA RTX 4090, permettant une accélération GPU complète.

Puis-je exécuter DeepSeek R1 Distill Qwen 7B sur NVIDIA RTX 4090 ?

Oui. NVIDIA RTX 4090 dispose de 24 Go de VRAM, ce qui suffit pour exécuter DeepSeek R1 Distill Qwen 7B (Q2_K_L) 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. Q2_K_L compresse DeepSeek R1 Distill Qwen 7B de sa taille originale à 2.93 Go.

Quelle quantification choisir pour DeepSeek R1 Distill Qwen 7B ?

Q2_K_L est une quantification basse 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 7B sur NVIDIA RTX 4090, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 24 Go de VRAM disponibles.

Comment exécuter DeepSeek R1 Distill Qwen 7B (Q2_K_L) avec Ollama ?

Exécutez ollama run deepseek-r1:7b-qwen-distill-q2_k_l pour démarrer DeepSeek R1 Distill Qwen 7B (Q2_K_L). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 5 mars 2026