DeepSeek V3.1 (Q2_K) — 54.7 Gosur NVIDIA L40S

Q2_K NVIDIA L40S

Aperçu

DeepSeek V3.1 est un modèle de langage moe de 684.53B paramètres par DeepSeek, avec des capacités en code, multilingual, thinking, tool-calls. Il prend en charge une fenêtre de contexte allant jusqu’à 163,840 tokens.

DeepSeek V3.1 est un modele "Mixture-of-Experts" de 685 milliards de parametres de DeepSeek, activant 8 des 256 experts par token plus un expert partage. Il offre des performances de pointe en generation de code, raisonnement et taches multilingues tout en utilisant bien moins de parametres actifs par etape d'inference que des modeles denses de taille comparable. Le modele prend en charge le mode reflexion, le "tool calling" et neuf langues. Avec une fenetre de contexte de 160K, il necessite des configurations multi-GPU ou distribuees mais se quantifie jusqu'au niveau Q2 pour une empreinte VRAM reduite.

Avec la quantification Q2_K (niveau de qualité low), le modèle pèse 228.82 Go. Cela dépasse les 48 Go de VRAM de NVIDIA L40S. 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 L40S est un GPU datacenter avec 48 Go de GDDR6 VRAM et 864 Go/s de bande passante memoire. Elle delivre 362 FP16 TFLOPS avec l'architecture Ada Lovelace. Un GPU polyvalent pour l'inference IA, l'entrainement et les charges graphiques. Gere confortablement les modeles quantifies jusqu'a 40B parametres.

Configuration matérielle requise

Taille du modèle	228.82 GB
VRAM disponible	48 GB
VRAM utilisée	54.7 GB
RAM min requise	228.8 GB
Couches GPU	0 / 61
Taille du contexte	32 768
Backend	cuda13
Flash attention	Non

Notes de performance

Mixture-of-Experts

Il s'agit d'un modèle Mixture-of-Experts avec 256 experts au total, dont 8 sont actifs par token. Seuls les experts actifs nécessitent un accès GPU rapide — les poids des experts inactifs peuvent résider dans la RAM système avec un impact minimal sur la vitesse de génération.

Lire le guide de déploiement MoE →

Performances réduites

61 des 61 couches s'exécutent sur le CPU. Votre système nécessite au moins 228.8 Go de RAM. Si la RAM système est insuffisante, les données seront lues depuis le disque à la demande, avec un impact significatif sur les performances.

Conversations plus courtes

La taille du contexte a été réduite en raison de contraintes mémoire. Cela peut affecter la capacité du modèle à gérer de longues conversations.

Déploiement

Serveur Local

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-v3-1/q2_k/nvidia-l40s.yaml) apply

Fichier values.yaml

/values/deepseek-v3-1/q2_k/nvidia-l40s.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-v3-1.gguf "https://huggingface.co/unsloth/DeepSeek-V3.1-GGUF/resolve/main/Q2_K/DeepSeek-V3.1-Q2_K-00001-of-00005.gguf"

Démarrer le serveur

llama-server \
  -m deepseek-v3-1.gguf \
  --n-gpu-layers 0 \
  --ctx-size 32768

Vérifier

curl http://localhost:8080/health

Explorer

• Configurer un déploiement
• Parcourir les modèles
• Parcourir le matériel

Autres quantifications

• DeepSeek V3.1 (Q8_0)
• DeepSeek V3.1 (Q5_K_M)
• DeepSeek V3.1 (Q4_K_M)

Autre matériel

• DeepSeek V3.1 on CPU Only
• DeepSeek V3.1 on NVIDIA A100 80GB
• DeepSeek V3.1 on NVIDIA H100

Questions fréquemment posées

De combien de VRAM DeepSeek V3.1 (Q2_K) a-t-il besoin ?

La quantification Q2_K de DeepSeek V3.1 nécessite 228.82 Go. Les 48 Go de VRAM de NVIDIA L40S sont insuffisants pour les couches GPU, l'inférence s'exécute donc sur le CPU.

Puis-je exécuter DeepSeek V3.1 sur NVIDIA L40S ?

C'est possible mais non recommandé. NVIDIA L40S n'a pas assez de VRAM pour accélérer DeepSeek V3.1 (Q2_K), l'inférence reposera donc sur le CPU et la RAM système.

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 compresse DeepSeek V3.1 de sa taille originale à 228.82 Go.

Quelle quantification choisir pour DeepSeek V3.1 ?

Q2_K 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.

Pourquoi certaines couches sont-elles déchargées sur le CPU ?

NVIDIA L40S dispose de 48 Go de VRAM, mais DeepSeek V3.1 (Q2_K) nécessite environ 228.82 Go. Seules 0 des 61 couches tiennent dans la VRAM ; les couches restantes s'exécutent sur le CPU, ce qui est plus lent mais fonctionnel.

Qu'est-ce que MoE et comment cela affecte-t-il le déploiement ?

DeepSeek V3.1 utilise une architecture Mixture-of-Experts (MoE) avec 256 experts, dont 8 sont actifs par token. Cela signifie que seule une fraction des poids du modèle est utilisée à chaque étape d'inférence, permettant aux modèles MoE d'avoir un plus grand nombre total de paramètres tout en restant efficaces lors de l'inférence.

Dernière mise à jour : 5 mars 2026