DeepSeek V3.1 (Q4_K_XL) — 79.4 Gosur OVH a100-1-gpu

Q4_K_XL OVH a100-1-gpu

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_XL (niveau de qualité medium), le modèle pèse 360.33 Go. Cela dépasse les 80 Go de VRAM de OVH a100-1-gpu. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.

Le NVIDIA A100 80 Go est un GPU datacenter avec 80 Go de HBM2e VRAM et 2039 Go/s de bande passante memoire. Il delivre 312 FP16 TFLOPS, permettant une inference rapide sur de grands modeles de langage jusqu'a 70B parametres avec une quantification moderee. Parfaitement adapte aux equipes datacenter executant des charges de travail LLM en production necessitant une grande capacite memoire et un haut debit.

Configuration matérielle requise

Taille du modèle	360.33 GB
VRAM disponible	80 GB
VRAM utilisée	79.4 GB
RAM système	160 GB
RAM min requise	353.9 GB
Couches GPU	61 / 61
Taille du contexte	44 020
Backend	cuda13
Flash attention	Oui
Lecture depuis le disque	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 minimal sur les performances

Tous les poids d'experts sont déchargés sur le CPU — seuls 8/256 experts sont activés par token, l'impact sur les performances est donc négligeable.

Impact majeur sur les performances

La taille du modèle dépasse le VRAM + RAM disponible. Les données seront lues depuis le disque à la demande, ce qui ralentit significativement l'inférence.

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_xl/nvidia-a100-80gb.yaml) apply

Fichier values.yaml

/values/deepseek-v3-1/q4_k_xl/nvidia-a100-80gb.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-v3-1.gguf "https://huggingface.co/unsloth/DeepSeek-V3.1-GGUF/resolve/main/UD-Q4_K_XL/DeepSeek-V3.1-UD-Q4_K_XL-00001-of-00008.gguf"

Démarrer le serveur

llama-server \
  -m deepseek-v3-1.gguf \
  --n-gpu-layers 61 \
  --ctx-size 44020 \
  --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)
• DeepSeek V3.1 (Q4_K_M)

Autre matériel

• DeepSeek V3.1 on CPU Only
• DeepSeek V3.1 on NVIDIA H100
• DeepSeek V3.1 on NVIDIA RTX 3090

Questions fréquemment posées

De combien de VRAM DeepSeek V3.1 (Q4_K_XL) a-t-il besoin ?

La quantification Q4_K_XL de DeepSeek V3.1 nécessite 360.33 Go. Les 61 couches tiennent dans les 80 Go de VRAM disponibles sur OVH a100-1-gpu, permettant une accélération GPU complète.

Puis-je exécuter DeepSeek V3.1 sur OVH a100-1-gpu ?

Oui. OVH a100-1-gpu dispose de 80 Go de VRAM, ce qui suffit pour exécuter DeepSeek V3.1 (Q4_K_XL) 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_XL compresse DeepSeek V3.1 de sa taille originale à 360.33 Go.

Quelle quantification choisir pour DeepSeek V3.1 ?

Q4_K_XL 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 OVH a100-1-gpu, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 80 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 : 5 mars 2026