DeepSeek R1 Distill Qwen 32B (Q8_0) — 23.4 GBsu NVIDIA RTX 4090
Panoramica
DeepSeek R1 Distill Qwen 32B è un modello linguistico dense da 32.76B parametri di DeepSeek, con capacità di code, multilingual, thinking, tool-calls. Supporta una finestra di contesto fino a 131,072 token.
DeepSeek R1 Distill Qwen 32B e un trasformatore denso da 32,76 miliardi di parametri di DeepSeek, distillato dal modello di ragionamento R1 piu grande in un'architettura basata su Qwen. Eccelle nel ragionamento "chain-of-thought", nella generazione di codice e nei compiti multilingue con capacita di pensiero integrate. Rispetto ai modelli instruct standard di classe 30B, offre un ragionamento logico e matematico piu forte. Il modello supporta nove lingue e una finestra di contesto da 128K, rendendolo adatto a sviluppatori e ricercatori che necessitano di inferenza focalizzata sul ragionamento su configurazioni GPU di fascia media.
Con la quantizzazione Q8_0 (livello di qualità high), il modello pesa 32.43 GB. Questo supera i 24 GB di VRAM di NVIDIA RTX 4090. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.
La NVIDIA GeForce RTX 4090 e una GPU consumer con 24 GB di GDDR6X VRAM e 1008 GB/s di larghezza di banda della memoria. Offre 82.6 FP16 TFLOPS, rendendola una delle schede consumer piu veloci per l'inferenza LLM locale. Gestisce comodamente modelli quantizzati fino a 20B parametri. Ideale per chi costruisce home lab e per gli sviluppatori che desiderano inferenza ad alto throughput senza hardware datacenter.
Requisiti Hardware
| Dimensione del modello | 32.43 GB |
| VRAM disponibile | 24 GB |
| VRAM utilizzata | 23.4 GB |
| RAM di sistema | |
| RAM min richiesta | 10.6 GB |
| Livelli GPU | 43 / 64 |
| Dimensione del contesto | 2401 |
| Backend | cuda13 |
| Flash attention | Sì |
| Lettura da disco | Sì |
Note sulle prestazioni
Distribuzione
Prerequisiti
Assicurati che i nodi GPU siano preparati con il NVIDIA container toolkit:
ansible-playbook prositronic.infra.nvidia_container_toolkitComando
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/deepseek-r1-distill-qwen-32b/q8_0/nvidia-rtx4090.yaml) applyFile values.yaml
/values/deepseek-r1-distill-qwen-32b/q8_0/nvidia-rtx4090.yaml
Caricamento valori…Domande frequenti
Quanta VRAM serve per DeepSeek R1 Distill Qwen 32B (Q8_0)?
La quantizzazione Q8_0 di DeepSeek R1 Distill Qwen 32B richiede 32.43 GB. 43 dei 64 livelli entrano nei 24 GB di VRAM di NVIDIA RTX 4090; i livelli rimanenti vengono scaricati sulla CPU.
Posso eseguire DeepSeek R1 Distill Qwen 32B su NVIDIA RTX 4090?
Sì, con prestazioni ridotte. NVIDIA RTX 4090 può eseguire DeepSeek R1 Distill Qwen 32B (Q8_0), ma solo 43 dei 64 livelli entrano nella VRAM. Il resto viene scaricato sulla CPU.
Cos'è la quantizzazione?
La quantizzazione riduce la precisione numerica di un modello dal suo formato originale in virgola mobile a una rappresentazione più compatta. Questo riduce la dimensione del file e l'impronta VRAM, rendendo possibile eseguire modelli di grandi dimensioni su hardware consumer. Il compromesso è una leggera riduzione della qualità dell'output. Q8_0 comprime DeepSeek R1 Distill Qwen 32B dalla sua dimensione originale a 32.43 GB.
Quale quantizzazione scegliere per DeepSeek R1 Distill Qwen 32B?
Q8_0 è una quantizzazione di alta qualità. I quant di qualità superiore (Q8, Q6) preservano maggiore precisione del modello ma necessitano di più VRAM. I quant inferiori (Q4, Q3, Q2) riducono l'uso di VRAM a scapito della qualità. Scegli in base al tuo hardware disponibile e ai requisiti di qualità.
Cos'è il flash attention e perché è attivato?
Flash attention è un algoritmo efficiente in memoria che accelera il meccanismo di attenzione nei modelli transformer. Riduce l'uso di VRAM durante l'inferenza evitando la materializzazione della matrice di attenzione completa. Per DeepSeek R1 Distill Qwen 32B su NVIDIA RTX 4090, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 24 GB di VRAM disponibili.
Perché alcuni livelli vengono scaricati sulla CPU?
NVIDIA RTX 4090 ha 24 GB di VRAM, ma DeepSeek R1 Distill Qwen 32B (Q8_0) richiede circa 32.43 GB. Solo 43 dei 64 livelli entrano nella VRAM; i livelli rimanenti vengono eseguiti sulla CPU, che è più lenta ma funzionale.
Come eseguire DeepSeek R1 Distill Qwen 32B (Q8_0) con Ollama?
Esegui ollama run deepseek-r1:32b-qwen-distill-q8_0 per avviare DeepSeek R1 Distill Qwen 32B (Q8_0). Ollama scarica automaticamente i pesi del modello al primo avvio.