DeepSeek V3.1 (Q4_K_M) — 127.4 Gosur NVIDIA DGX Spark

Q4_K_M NVIDIA DGX Spark

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 Q4_K_M (niveau de qualité medium), le modèle pèse 377.56 Go. Cela dépasse les 128 Go de VRAM de NVIDIA DGX Spark. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.

Configuration matérielle requise

Taille du modèle	377.56 GB
VRAM disponible	128 GB
VRAM utilisée	127.4 GB
RAM min requise	370.8 GB
Couches GPU	61 / 61
Taille du contexte	73 299
Backend	cuda13
Flash attention	Oui

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 →

Impact possible sur les performances

Poids des experts déchargés sur le CPU via le remplacement de tenseurs. Au moins 370.8 Go de RAM système recommandés — si insuffisante, les données seront lues depuis le disque à la demande.

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/q4_k_m/nvidia-gb10-128gb.yaml) apply

Fichier values.yaml

/values/deepseek-v3-1/q4_k_m/nvidia-gb10-128gb.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/Q4_K_M/DeepSeek-V3.1-Q4_K_M-00001-of-00009.gguf"

Démarrer le serveur

llama-server \
  -m deepseek-v3-1.gguf \
  --n-gpu-layers 61 \
  --ctx-size 73299 \
  --flash-attn \
  -ot ".ffn_.*_exps.=CPU"

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)

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 (Q4_K_M) a-t-il besoin ?

La quantification Q4_K_M de DeepSeek V3.1 nécessite 377.56 Go. Les 61 couches tiennent dans les 128 Go de VRAM disponibles sur NVIDIA DGX Spark, permettant une accélération GPU complète.

Puis-je exécuter DeepSeek V3.1 sur NVIDIA DGX Spark ?

Oui. NVIDIA DGX Spark dispose de 128 Go de VRAM, ce qui suffit pour exécuter DeepSeek V3.1 (Q4_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. Q4_K_M compresse DeepSeek V3.1 de sa taille originale à 377.56 Go.

Quelle quantification choisir pour DeepSeek V3.1 ?

Q4_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 V3.1 sur NVIDIA DGX Spark, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 128 Go de VRAM disponibles.

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 : 18 mars 2026