DeepSeek R1 Distill Qwen 7B (Q3_K_M) — 11.8 GBsu NVIDIA H100

Code Multilingual Thinking Tool Calls

Q3_K_M NVIDIA H100

Panoramica

DeepSeek R1 Distill Qwen 7B è un modello linguistico dense da 7.62B 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 7B e un trasformatore denso da 7,62 miliardi di parametri di DeepSeek, distillato dal modello di ragionamento R1 in un'architettura compatta basata su Qwen. Porta il ragionamento "chain-of-thought" e le capacita di pensiero nella classe dei 7B parametri, ottenendo risultati superiori alla sua categoria in compiti di matematica e logica. Rispetto ai modelli instruct 7B standard, offre un ragionamento strutturato notevolmente piu forte. Con una finestra di contesto da 128K e nove lingue supportate, funziona su una singola GPU consumer e si quantizza bene per un deployment self-hosted efficiente.

Con la quantizzazione Q3_K_M (livello di qualità low), il modello pesa 3.55 GB. Questo rientra nei 80 GB di VRAM di NVIDIA H100, consentendo l'inferenza completa su GPU.

La NVIDIA H100 80 GB e una GPU datacenter con 80 GB di HBM3 VRAM e 3350 GB/s di larghezza di banda della memoria. Offre 1979 FP16 TFLOPS sull'architettura Hopper, rendendola l'opzione GPU singola piu veloce per l'inferenza di grandi modelli linguistici. Gestisce modelli fino a 70B parametri con elevato throughput. Progettata per team datacenter che eseguono carichi di lavoro IA impegnativi in produzione.

Requisiti Hardware

Dimensione del modello	3.55 GB
VRAM disponibile	80 GB
VRAM utilizzata	11.8 GB
RAM di sistema
RAM min richiesta	0 GB
Livelli GPU	28 / 28
Dimensione del contesto	131.072
Backend	cuda13
Flash attention	Sì
Lettura da disco	Sì

Distribuzione

Prerequisiti

Assicurati che i nodi GPU siano preparati con il NVIDIA container toolkit:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Comando

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/deepseek-r1-distill-qwen-7b/q3_k_m/nvidia-h100-80gb.yaml) apply

File `values.yaml`

/values/deepseek-r1-distill-qwen-7b/q3_k_m/nvidia-h100-80gb.yaml

Caricamento valori…

Installa llama.cpp

Installa llama.cpp dalle istruzioni di compilazione ufficiali per la tua piattaforma e backend.

Scarica modello

curl -L -o deepseek-r1-distill-qwen-7b.gguf "https://huggingface.co/unsloth/DeepSeek-R1-Distill-Qwen-7B-GGUF/resolve/main/DeepSeek-R1-Distill-Qwen-7B-Q3_K_M.gguf"

Avvia server

llama-server \
  -m deepseek-r1-distill-qwen-7b.gguf \
  --n-gpu-layers 28 \
  --ctx-size 131072 \
  --flash-attn

Verifica

curl http://localhost:8080/health

Domande frequenti

Quanta VRAM serve per DeepSeek R1 Distill Qwen 7B (Q3_K_M)?

La quantizzazione Q3_K_M di DeepSeek R1 Distill Qwen 7B richiede 3.55 GB. Tutti i 28 livelli entrano nei 80 GB di VRAM disponibili su NVIDIA H100, consentendo un'accelerazione GPU completa.

Posso eseguire DeepSeek R1 Distill Qwen 7B su NVIDIA H100?

Sì. NVIDIA H100 offre 80 GB di VRAM, sufficienti per eseguire DeepSeek R1 Distill Qwen 7B (Q3_K_M) con tutti i livelli sulla GPU per prestazioni ottimali.

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. Q3_K_M comprime DeepSeek R1 Distill Qwen 7B dalla sua dimensione originale a 3.55 GB.

Quale quantizzazione scegliere per DeepSeek R1 Distill Qwen 7B?

Q3_K_M è una quantizzazione di bassa 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 7B su NVIDIA H100, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 80 GB di VRAM disponibili.

Come eseguire DeepSeek R1 Distill Qwen 7B (Q3_K_M) con Ollama?

Esegui ollama run deepseek-r1:7b-qwen-distill-q3_k_m per avviare DeepSeek R1 Distill Qwen 7B (Q3_K_M). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 20 marzo 2026