DeepSeek-V3-0324 (671B MoE) — 必要VRAM・量子化マトリクス & 推奨GPUガイド
DeepSeek-V3-0324 (671B MoE)（DeepSeek、MIT）は常駐パラメータ 671B（トークンあたり有効 37B）、61 層、最大 163,840 コンテキストトークンに対応する マルチヘッド潜在アテンション (MLA) 採用の Mixture-of-Experts (MoE) アーキテクチャです。
DeepSeek-V3-0324 (671B MoE) インタラクティブ・メモリ & コンテキストシミュレーター
精度・量子化別 VRAMマトリクス（8K / 32K / 128K コンテキスト）
| 精度 / 形式 | 実効 bpw | 重みのみ | 合計 @ 8K ctx | 合計 @ 32K ctx | 合計 @ 128K ctx | 推奨構成 (@ 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 |
ハードウェア互換性 & デコード速度（DeepSeek-V3-0324 (671B MoE) @ Q4_K_M, 32K コンテキスト）
| ハードウェア構成 | メモリ & 帯域幅 | 必要量 (32K) | 収容判定 | 推定デコード速度 |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 393.69 GB (1640%) | メモリ不足 (OOM) | — |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 393.69 GB (1640%) | メモリ不足 (OOM) | — |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 393.69 GB (1230%) | メモリ不足 (OOM) | — |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 387.67 GB (606%) | メモリ不足 (OOM) | — |
| Mac Studio 128GB | 128 GB · 546 GB/s | 387.67 GB (303%) | メモリ不足 (OOM) | — |
| Mac Studio 192GB | 192 GB · 800 GB/s | 387.67 GB (202%) | メモリ不足 (OOM) | — |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 393.69 GB (492%) | メモリ不足 (OOM) | — |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 393.69 GB (492%) | メモリ不足 (OOM) | — |
検証済み Transformer アーキテクチャ仕様
- Checkpoint ID
- deepseek-ai/DeepSeek-V3-0324
- Ollama Tag
- deepseek-v3:671b
- License / Release
- MIT · 2025-Q1
- 構造 & アテンション
- Mixture-of-Experts (MoE)
- アテンション機構
- マルチヘッド潜在アテンション (MLA)
- 総パラメータ数 (B)
- 671B
- 有効パラメータ / Token (B)
- 37B
- 隠れ層数 (Layers) / 隠れ層次元 (Hidden Size)
- 61 / 7168
- クエリヘッド数 / KVヘッド数
- 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
量子化フォーマットはパックされた整数重みに加えてブロック単位のスケール係数とゼロポイントを保持します。4bit GGUF の Q4_K_M はパラメータあたり平均 4.85 実効ビット（4.00ではない）、Q8_0 は平均 8.50 bpw を消費します。Mixture-of-Experts モデルではトークンごとのホストページングを防ぐため、ルーティング対象および共有エキスパートのすべてがメモリ上に常駐します。
標準的な Grouped-Query Attention は全層で 2 × L × H_kv × d_head × S × B × bytes_kv を確保します。DeepSeek Multi-head Latent Attention (MLA) はKeyとValueを L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv へ圧縮し、長文脈メモリを90%以上削減します。ハイブリッド・スライディングウィンドウはローカル層の消費を min(S, window_size) に抑えつつグローバル層のみ S に比例して拡張します。
DeepSeek-V3-0324 (671B MoE) 用 vLLM & Ollama クイック起動コマンド
vllm serve deepseek-ai/DeepSeek-V3-0324 \
--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-v3-custom -f Modelfile
FROM deepseek-v3:671b
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同系列・同規模のオープンウェイトモデルを比較
DeepSeek-R1 (671B MoE)
DeepSeek · 671B (MLA)
DeepSeek-R1-Distill-Llama-70B
DeepSeek · 70.6B (GQA)
DeepSeek-R1-Distill-Qwen-32B
DeepSeek · 32.8B (GQA)
Llama 3.1 405B Instruct
Meta Llama · 405B (GQA)
Llama 4 Maverick (400B / 17B-128E MoE)
Meta Llama · 402B (GQA)
Qwen3-235B-A22B (MoE)
Qwen · 235B (GQA)