DeepSeek V3.1 (Q6_K_XL) — 63.4 Gosur Framework Desktop 64GB

Q6_K_XL Framework Framework Desktop 64GB

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 Q6_K_XL (niveau de qualité high), le modèle pèse 535.03 Go. Cela dépasse les 64 Go de VRAM de Framework Desktop 64GB. 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	535.03 GB
VRAM disponible	64 GB
VRAM utilisée	63.4 GB
RAM min requise	526.3 GB
Couches GPU	1 / 61
Taille du contexte	32 773
Backend	vulkan
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 →

Performances réduites

60 des 61 couches s'exécutent sur le CPU. Votre système nécessite au moins 526.3 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

Commande

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/deepseek-v3-1/q6_k_xl/amd-8060s-64gb.yaml) apply

Fichier values.yaml

/values/deepseek-v3-1/q6_k_xl/amd-8060s-64gb.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-Q6_K_XL/DeepSeek-V3.1-UD-Q6_K_XL-00001-of-00012.gguf"

Démarrer le serveur

llama-server \
  -m deepseek-v3-1.gguf \
  --n-gpu-layers 1 \
  --ctx-size 32773 \
  --flash-attn

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 (Q6_K_XL) a-t-il besoin ?

La quantification Q6_K_XL de DeepSeek V3.1 nécessite 535.03 Go. 1 des 61 couches tiennent dans les 64 Go de VRAM de Framework Desktop 64GB ; les couches restantes sont déchargées sur le CPU.

Puis-je exécuter DeepSeek V3.1 sur Framework Desktop 64GB ?

Oui, avec des performances réduites. Framework Desktop 64GB peut exécuter DeepSeek V3.1 (Q6_K_XL), mais seules 1 des 61 couches tiennent dans la VRAM. Le reste est déchargé sur le CPU.

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. Q6_K_XL compresse DeepSeek V3.1 de sa taille originale à 535.03 Go.

Quelle quantification choisir pour DeepSeek V3.1 ?

Q6_K_XL est une quantification haute 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 V3.1 sur Framework Desktop 64GB, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 64 Go de VRAM disponibles.

Pourquoi certaines couches sont-elles déchargées sur le CPU ?

Framework Desktop 64GB dispose de 64 Go de VRAM, mais DeepSeek V3.1 (Q6_K_XL) nécessite environ 535.03 Go. Seules 1 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 : 20 mars 2026