DeepSeek R1 Distill Qwen 7B (Q5_K_M) — 13.4 Gosur NVIDIA H100

Code Multilingual Thinking Tool Calls

Q5_K_M NVIDIA H100

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 Q5_K_M (niveau de qualité medium), le modèle pèse 5.07 Go. Cela tient dans les 80 Go de VRAM de NVIDIA H100, permettant une inférence entièrement sur GPU.

Le NVIDIA H100 80 Go est un GPU datacenter avec 80 Go de HBM3 VRAM et 3350 Go/s de bande passante memoire. Il delivre 1979 FP16 TFLOPS sur l'architecture Hopper, ce qui en fait l'option GPU unique la plus rapide pour l'inference de grands modeles de langage. Il gere des modeles jusqu'a 70B parametres avec un debit eleve. Concu pour les equipes datacenter executant des charges de travail IA exigeantes en production.

Configuration matérielle requise

Taille du modèle	5.07 GB
VRAM disponible	80 GB
VRAM utilisée	13.4 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/q5_k_m/nvidia-h100-80gb.yaml) apply

Fichier `values.yaml`

/values/deepseek-r1-distill-qwen-7b/q5_k_m/nvidia-h100-80gb.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-7b.gguf "https://huggingface.co/unsloth/DeepSeek-R1-Distill-Qwen-7B-GGUF/resolve/main/DeepSeek-R1-Distill-Qwen-7B-Q5_K_M.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 (Q5_K_M) a-t-il besoin ?

La quantification Q5_K_M de DeepSeek R1 Distill Qwen 7B nécessite 5.07 Go. Les 28 couches tiennent dans les 80 Go de VRAM disponibles sur NVIDIA H100, permettant une accélération GPU complète.

Puis-je exécuter DeepSeek R1 Distill Qwen 7B sur NVIDIA H100 ?

Oui. NVIDIA H100 dispose de 80 Go de VRAM, ce qui suffit pour exécuter DeepSeek R1 Distill Qwen 7B (Q5_K_M) 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. Q5_K_M compresse DeepSeek R1 Distill Qwen 7B de sa taille originale à 5.07 Go.

Quelle quantification choisir pour DeepSeek R1 Distill Qwen 7B ?

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 7B sur NVIDIA H100, 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 7B (Q5_K_M) avec Ollama ?

Exécutez ollama run deepseek-r1:7b-qwen-distill-q5_k_m pour démarrer DeepSeek R1 Distill Qwen 7B (Q5_K_M). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 20 mars 2026