Requisiti VRAM di DeepSeek-R1 (671B MoE), dimensioni GGUF e g…

Simulatore interattivo di memoria e contesto per DeepSeek-R1 (671B MoE)

Quantizzazione dei pesi (bpw)

Precisione KV Cache

GPU di destinazione / fascia memoria unificata

Dispositivi (TP)

Lunghezza contesto (token) 32,768 token

Ripartizione memoria e limite di banda passante

Entra comodamente

Pesi del modello: 90.8% KV: 0.5% Overhead: 8.7%

Memoria totale richiesta

417.21 GB

Allocazione per dispositivo: 52.15 GB

Pesi del modello

378.86 GB

KV Cache (FP16): 2.14 GB

Decodifica stimata (singolo flusso)

558.9 tok/s

Overhead runtime e TP: 36.21 GB

Contesto max prima di OOM

1,048,576

token

La compressione KV architetturale risparmia il 98.2% rispetto a MHA FP16 standard (122.00 GB).

Matrice VRAM per precisione e quantizzazione (contesto 8K / 32K / 128K)

Memoria GPU totale richiesta in base alla precisione dei pesi e alla lunghezza del contesto (batch = 1, KV cache FP16)
Precisione / Formato	bpw effettivi	Solo pesi	Totale @ ctx 8K	Totale @ ctx 32K	Totale @ ctx 128K	Fascia consigliata (@ 32K)
FP16 / BF16	16.00 bpw	1249.83 GB	1289.19 GB	1290.80 GB	1297.24 GB	8× NVIDIA H100 80GB
FP8	8.50 bpw	663.97 GB	685.76 GB	687.37 GB	693.80 GB	8× NVIDIA H100 80GB
Q8_0	8.50 bpw	663.97 GB	685.76 GB	687.37 GB	693.80 GB	8× NVIDIA H100 80GB
Q6_K	6.56 bpw	512.43 GB	529.67 GB	531.28 GB	537.71 GB	8× NVIDIA H100 80GB
Q5_K_M	5.69 bpw	444.47 GB	459.67 GB	461.28 GB	467.71 GB	8× NVIDIA H100 80GB
Q4_K_M	4.85 bpw	378.86 GB	392.09 GB	393.69 GB	400.13 GB	8× NVIDIA H100 80GB
AWQ INT4	4.50 bpw	351.52 GB	363.93 GB	365.53 GB	371.97 GB	Mac Studio 512GB
IQ4_XS	4.25 bpw	331.99 GB	343.81 GB	345.42 GB	351.85 GB	Mac Studio 512GB

Compatibilità hardware e velocità di decodifica (DeepSeek-R1 (671B MoE) @ Q4_K_M, contesto 32K)

Esito di compatibilità, utilizzo memoria e throughput di decodifica stimato sulle principali GPU e Apple Silicon
Fascia hardware	Memoria e banda	Richiesta (32K)	Compatibilità	Velocità decod. stimata
RTX 3090 24GB	24 GB · 936 GB/s	393.69 GB (1640%)	Memoria esaurita (OOM)	—
RTX 4090 24GB	24 GB · 1008 GB/s	393.69 GB (1640%)	Memoria esaurita (OOM)	—
RTX 5090 32GB	32 GB · 1792 GB/s	393.69 GB (1230%)	Memoria esaurita (OOM)	—
Apple M-Max 64GB	64 GB · 546 GB/s	387.67 GB (606%)	Memoria esaurita (OOM)	—
Mac Studio 128GB	128 GB · 546 GB/s	387.67 GB (303%)	Memoria esaurita (OOM)	—
Mac Studio 192GB	192 GB · 800 GB/s	387.67 GB (202%)	Memoria esaurita (OOM)	—
NVIDIA A100 80GB	80 GB · 2039 GB/s	393.69 GB (492%)	Memoria esaurita (OOM)	—
NVIDIA H100 80GB	80 GB · 3350 GB/s	393.69 GB (492%)	Memoria esaurita (OOM)	—

Parametri verificati dell’architettura Transformer

Checkpoint ID: deepseek-ai/DeepSeek-R1
Ollama Tag: deepseek-r1:671b
License / Release: MIT · 2025-Q1
Topologia e attenzione: Miscela di esperti (MoE)
Meccanismo di attenzione: Attenzione latente multi-testa (MLA)
Parametri totali (B): 671B
Parametri attivi / token (B): 37B
Livelli nascosti / Dimensione nascosta: 61 / 7168
Teste di query / Teste KV: 128Q / 128KV (d=128)
MLA kv_lora_rank / rope_dim: 512 / 64
MoE Routed Experts: 8 active / 256 total
Vocab / Max Position: 129,280 / 163,840

I formati quantizzati memorizzano fattori di scala per blocco e zero-point accanto ai pesi interi compatti. Un checkpoint GGUF Q4_K_M a 4 bit richiede in media 4.85 bit effettivi per parametro (non 4.00), mentre Q8_0 si attesta a 8.50 bpw. Nei modelli Mixture-of-Experts, tutti gli esperti instradati e condivisi restano residenti in memoria per evitare il paging dall’host a ogni token.

La Grouped-Query Attention standard alloca 2 × L × H_kv × d_head × S × B × bytes_kv lungo i livelli. La Multi-head Latent Attention di DeepSeek (MLA) comprime chiavi e valori in L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, riducendo di oltre il 90% la memoria sui contesti lunghi. I modelli ibridi a finestra scorrevole limitano i livelli di attenzione locale a min(S, window_size) facendo scalare linearmente con S quelli globali.

Comandi rapidi vLLM e Ollama per DeepSeek-R1 (671B MoE)

vllm serve deepseek-ai/DeepSeek-R1 \
  --tensor-parallel-size 8 \
  --max-model-len 32768 \
  --max-num-seqs 8 \
  --gpu-memory-utilization 0.80 \
  --kv-cache-dtype fp8 \
  --enable-expert-parallel \
  --enable-prefix-caching \
  --port 8000

# Save as Modelfile, then run: ollama create deepseek-r1-671b-custom -f Modelfile
FROM deepseek-r1:671b
PARAMETER num_ctx 32768
PARAMETER num_batch 512
PARAMETER flash_attn true

# Environment variables for ollama serve:
# OLLAMA_NUM_PARALLEL=8 OLLAMA_FLASH_ATTENTION=1 OLLAMA_KV_CACHE_TYPE=q8_0 ollama serve