Requisiti VRAM di DeepSeek-R1-Distill-Llama-70B, dimensioni G…

Simulatore interattivo di memoria e contesto per DeepSeek-R1-Distill-Llama-70B

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: 76% KV: 19.1% Overhead: 4.9%

Memoria totale richiesta

52.45 GB

Allocazione per dispositivo: 52.45 GB

Pesi del modello

39.86 GB

KV Cache (FP16): 10.00 GB

Decodifica stimata (singolo flusso)

25.2 tok/s

Overhead runtime e TP: 2.59 GB

Contesto max prima di OOM

114,335

token

La compressione KV architetturale risparmia il 87.5% rispetto a MHA FP16 standard (80.00 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	131.50 GB	139.34 GB	146.84 GB	176.84 GB	Mac Studio 512GB
FP8	8.50 bpw	69.86 GB	75.85 GB	83.35 GB	113.35 GB	RTX PRO 6000 96GB
Q8_0	8.50 bpw	69.86 GB	75.85 GB	83.35 GB	113.35 GB	RTX PRO 6000 96GB
Q6_K	6.56 bpw	53.92 GB	59.42 GB	66.92 GB	96.92 GB	NVIDIA A100 80GB
Q5_K_M	5.69 bpw	46.77 GB	52.06 GB	59.56 GB	89.56 GB	NVIDIA A100 80GB
Q4_K_M	4.85 bpw	39.86 GB	44.95 GB	52.45 GB	82.45 GB	NVIDIA A100 80GB
AWQ INT4	4.50 bpw	36.99 GB	41.98 GB	49.48 GB	79.48 GB	NVIDIA A100 80GB
IQ4_XS	4.25 bpw	34.93 GB	39.87 GB	47.37 GB	77.37 GB	Apple M-Max 64GB

Compatibilità hardware e velocità di decodifica (DeepSeek-R1-Distill-Llama-70B @ 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	52.45 GB (219%)	Memoria esaurita (OOM)	—
RTX 4090 24GB	24 GB · 1008 GB/s	52.45 GB (219%)	Memoria esaurita (OOM)	—
RTX 5090 32GB	32 GB · 1792 GB/s	52.45 GB (164%)	Memoria esaurita (OOM)	—
Apple M-Max 64GB	64 GB · 546 GB/s	51.51 GB (81%)	Richiede sysctl wired_limit	6.0 tok/s
Mac Studio 128GB	128 GB · 546 GB/s	51.51 GB (40%)	Entra comodamente	6.0 tok/s
Mac Studio 192GB	192 GB · 800 GB/s	51.51 GB (27%)	Entra comodamente	8.8 tok/s
NVIDIA A100 80GB	80 GB · 2039 GB/s	52.45 GB (66%)	Entra comodamente	25.2 tok/s
NVIDIA H100 80GB	80 GB · 3350 GB/s	52.45 GB (66%)	Entra comodamente	41.4 tok/s

Parametri verificati dell’architettura Transformer

Checkpoint ID: deepseek-ai/DeepSeek-R1-Distill-Llama-70B
Ollama Tag: deepseek-r1:70b
License / Release: MIT · 2025-Q1
Topologia e attenzione: Transformer denso
Meccanismo di attenzione: Attenzione a query raggruppate (GQA)
Parametri totali (B): 70.6B
Parametri attivi / token (B): 70.6B
Livelli nascosti / Dimensione nascosta: 80 / 8192
Teste di query / Teste KV: 64Q / 8KV (d=128)
Vocab / Max Position: 128,256 / 131,072

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-Distill-Llama-70B

vllm serve deepseek-ai/DeepSeek-R1-Distill-Llama-70B \
  --tensor-parallel-size 1 \
  --max-model-len 32768 \
  --max-num-seqs 8 \
  --gpu-memory-utilization 0.95 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --port 8000

# Save as Modelfile, then run: ollama create deepseek-r1-distill-llama-70b-custom -f Modelfile
FROM deepseek-r1:70b
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