VRAMLab

DeepSeek-R1-Distill-Qwen-32B — Requisitos de VRAM, Matriz de Quantização e Guia de GPU

DeepSeek-R1-Distill-Qwen-32B (DeepSeek, MIT) é uma arquitetura Transformer Denso com 32.8B parâmetros residentes (32.8B ativos por token), 64 camadas e Atenção de Consulta Agrupada (GQA) suportando até 131,072 tokens de contexto.

Abrir na Calculadora de VRAM → Gerar Config vLLM / Ollama → Comparar GPU Própria vs API → Comparar Preços de API ao Vivo no DevToken →

Simulador Interativo de Memória e Contexto para DeepSeek-R1-Distill-Qwen-32B

32,768 tokens

Detalhamento de Memória e Teto de Largura de Banda

Ajuste Apertado (>90% Útil)
Pesos do Modelo: 65.5% KV: 28.3% Overhead: 6.2%
Memória Total Necessária
28.28 GB
Alocação por Dispositivo: 28.28 GB
Pesos do Modelo
18.52 GB
Cache KV (FP16): 8.00 GB
Decodificação Est. (1 Fluxo)
39.4 tok/s
Sobrecarga de Runtime e TP: 1.76 GB
Contexto Máx. Antes de OOM
44,216
tokens

A compressão arquitetural de KV economiza 80.0% vs MHA FP16 ingênuo (40.00 GB).

Matriz de VRAM por Precisão e Quantização (Contexto 8K / 32K / 128K)

Memória total de GPU exigida por precisão de pesos e tamanho de contexto (batch = 1, cache KV FP16)
Precisão / Formato bpw Efetivo Apenas Pesos Total @ 8K ctx Total @ 32K ctx Total @ 128K ctx Nível Recomendado (@ 32K)
FP16 / BF16 16.00 bpw 61.09 GB 66.13 GB 72.13 GB 96.13 GB NVIDIA A100 80GB
FP8 8.50 bpw 32.46 GB 36.63 GB 42.63 GB 66.63 GB NVIDIA L40S 48GB
Q8_0 8.50 bpw 32.46 GB 36.63 GB 42.63 GB 66.63 GB NVIDIA L40S 48GB
Q6_K 6.56 bpw 25.05 GB 29.00 GB 35.00 GB 59.00 GB Apple M4 Pro 48GB
Q5_K_M 5.69 bpw 21.73 GB 25.58 GB 31.58 GB 55.58 GB Apple M4 Pro 48GB
Q4_K_M 4.85 bpw 18.52 GB 22.28 GB 28.28 GB 52.28 GB RTX 5090 32GB
AWQ INT4 4.50 bpw 17.18 GB 20.90 GB 26.90 GB 50.90 GB RTX 5090 32GB
IQ4_XS 4.25 bpw 16.23 GB 19.92 GB 25.92 GB 49.92 GB RTX 5090 32GB

Compatibilidade de Hardware e Velocidade de Decodificação (DeepSeek-R1-Distill-Qwen-32B @ Q4_K_M, 32K)

Status de ajuste, uso de memória e vazão estimada de decodificação nas principais GPUs e Apple Silicon
Nível de Hardware Memória e Banda Exigido (32K) Veredito de Ajuste Velocidade Est.
RTX 3090 24GB 24 GB · 936 GB/s 28.28 GB (118%) Memória Insuficiente (OOM) —
RTX 4090 24GB 24 GB · 1008 GB/s 28.28 GB (118%) Memória Insuficiente (OOM) —
RTX 5090 32GB 32 GB · 1792 GB/s 28.28 GB (88%) Ajuste Apertado (>90% Útil) 39.4 tok/s
Apple M-Max 64GB 64 GB · 546 GB/s 27.66 GB (43%) Cabe com Folga 11.3 tok/s
Mac Studio 128GB 128 GB · 546 GB/s 27.66 GB (22%) Cabe com Folga 11.3 tok/s
Mac Studio 192GB 192 GB · 800 GB/s 27.66 GB (14%) Cabe com Folga 16.5 tok/s
NVIDIA A100 80GB 80 GB · 2039 GB/s 28.28 GB (35%) Cabe com Folga 47.4 tok/s
NVIDIA H100 80GB 80 GB · 3350 GB/s 28.28 GB (35%) Cabe com Folga 77.9 tok/s

Parâmetros Verificados da Arquitetura Transformer

Checkpoint ID
deepseek-ai/DeepSeek-R1-Distill-Qwen-32B
Ollama Tag
deepseek-r1:32b
License / Release
MIT · 2025-Q1
Topologia e Atenção
Transformer Denso
Mecanismo de Atenção
Atenção de Consulta Agrupada (GQA)
Parâmetros Totais (B)
32.8B
Parâmetros Ativos / Token (B)
32.8B
Camadas Ocultas / Dimensão Oculta
64 / 5120
Cabeças de Consulta / Cabeças KV
40Q / 8KV (d=128)
Vocab / Max Position
152,064 / 131,072

Formatos quantizados armazenam fatores de escala e pontos zero por bloco junto aos pesos inteiros compactados. Um checkpoint GGUF Q4_K_M de 4 bits tem média de 4,85 bits efetivos por parâmetro (e não 4,00), enquanto Q8_0 tem média de 8,50 bpw. Em modelos Mixture-of-Experts, todos os especialistas roteados e compartilhados permanecem residentes na memória para evitar paginação a cada token.

O Grouped-Query Attention padrão aloca 2 × L × H_kv × d_head × S × B × bytes_kv entre as camadas. O DeepSeek Multi-head Latent Attention (MLA) comprime chaves e valores em L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, cortando a memória de contexto longo em mais de 90%. Modelos híbridos de janela deslizante limitam camadas de atenção local a min(S, window_size) enquanto escalam camadas globais linearmente com S.

Comandos Rápidos de vLLM e Ollama para DeepSeek-R1-Distill-Qwen-32B

CLI do vLLM (RTX 5090 32GB) 
vllm serve deepseek-ai/DeepSeek-R1-Distill-Qwen-32B \
  --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
Modelfile do Ollama 
# Save as Modelfile, then run: ollama create deepseek-r1-distill-qwen-32b-custom -f Modelfile
FROM deepseek-r1:32b
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

Comparar Modelos Irmãos e de Escala Semelhante

DeepSeek-R1-Distill-Llama-70B

DeepSeek · 70.6B (GQA)

52.5 GB @ Q4_K_M · NVIDIA A100 80GB

DeepSeek-R1 (671B MoE)

DeepSeek · 671B (MLA)

416.1 GB @ Q4_K_M · 8× NVIDIA H100 80GB

DeepSeek-V3-0324 (671B MoE)

DeepSeek · 671B (MLA)

416.1 GB @ Q4_K_M · 8× NVIDIA H100 80GB

Qwen3-32B

Qwen · 32.8B (GQA)

28.3 GB @ Q4_K_M · RTX 5090 32GB

QwQ-32B (Reasoning)

Qwen · 32.8B (GQA)

28.3 GB @ Q4_K_M · RTX 5090 32GB

Qwen2.5-Coder-32B-Instruct

Qwen · 32.8B (GQA)

28.3 GB @ Q4_K_M · RTX 5090 32GB