DeepSeek-V4-Flash-0731: requisitos de VRAM e memória

Checkpoints específicos, com arquitetura e arquivos de peso rastreáveis. FP8 safetensors: 156,71 GiB–182,40 GiB em 8.192 tokens, 1 sequência, KV FP16, vllm.

Este resultado é uma estimativa, não um rastreio medido.Não verificadoPesos com arquivo1 configurações conhecidas

Configurações conhecidas que funcionam

1 configurações conhecidas

Implantações testadas pela comunidade e pelos mantenedores em hardware real, com contexto, quantização e runtime verificados.

DeepSeek-V4-Flash-0731

2× NVIDIA DGX Spark (GB10, 128 GB unified)

Medido pelo mantenedor original

Quantização:Official FP8 Safetensors

Runtime de execução:vLLM· TP2

Testado:

✓ geração
✓ 1,048,576 contexto
✓ chamada de ferramentas
✓ visão
✓ decodificação especulativa

Medido:75.4 tok/s· 1 fluxo

Implantação testada. O texto está em inglês.

Usar esta configuração Início rápido (inglês)Fonte ↗

Roda em

Implantação: DeepSeek-V4-Flash-0731

Publicador e procedência

FornecedorDeepSeek
Hugging Facedeepseek-ai/DeepSeek-V4-Flash-0731
Revision7872f01b1d1fe23eabc4c98b48bffcef5a386062
Parâmetros totais304.180.418.494
Parâmetros ativosDesconhecido / sem fonte independente
Camadas43
Heads de consulta64
Heads KV1 (mla)
Dimensão do head512
Contexto documentado1.048.576
Completudepartial · partial

A contagem de parâmetros ativos é desconhecida ou não tem fonte independente. Parâmetros ativos descrevem o compute roteado, não a pegada residente completa.

Camadas de memória desta estimativa

Bytes do arquivo, KV bruto, extras do engine e demanda total ficam separados. Isto não é um rastreio de execução.

Weight artifact: 155,42 GiB (166.878.536.440 bytes)
Raw KV cache: 0,67 GiB (721.420.288 bytes)
Engine extras / workspace: 0,63 GiB–26,31 GiB
Total estimated demand: 156,71 GiB–182,40 GiB

Arquivos contados

Quantização	Arquivos contados	Bytes	Motor de execução	Evidência
FP8 safetensors fp8 Calculadora: FP8 safetensors	48 shards safetensors Total de bytes selecionados: 166.878.536.440 (155,42 GiB / 166,88 GB) Primeiro shard: model-00001-of-00048.safetensors Último shard: model-00048-of-00048.safetensors Ver todos os 48 arquivos de shard `model-00001-of-00048.safetensors` `model-00002-of-00048.safetensors` `model-00003-of-00048.safetensors` `model-00004-of-00048.safetensors` `model-00005-of-00048.safetensors` `model-00006-of-00048.safetensors` `model-00007-of-00048.safetensors` `model-00008-of-00048.safetensors` `model-00009-of-00048.safetensors` `model-00010-of-00048.safetensors` `model-00011-of-00048.safetensors` `model-00012-of-00048.safetensors` `model-00013-of-00048.safetensors` `model-00014-of-00048.safetensors` `model-00015-of-00048.safetensors` `model-00016-of-00048.safetensors` `model-00017-of-00048.safetensors` `model-00018-of-00048.safetensors` `model-00019-of-00048.safetensors` `model-00020-of-00048.safetensors` `model-00021-of-00048.safetensors` `model-00022-of-00048.safetensors` `model-00023-of-00048.safetensors` `model-00024-of-00048.safetensors` `model-00025-of-00048.safetensors` `model-00026-of-00048.safetensors` `model-00027-of-00048.safetensors` `model-00028-of-00048.safetensors` `model-00029-of-00048.safetensors` `model-00030-of-00048.safetensors` `model-00031-of-00048.safetensors` `model-00032-of-00048.safetensors` `model-00033-of-00048.safetensors` `model-00034-of-00048.safetensors` `model-00035-of-00048.safetensors` `model-00036-of-00048.safetensors` `model-00037-of-00048.safetensors` `model-00038-of-00048.safetensors` `model-00039-of-00048.safetensors` `model-00040-of-00048.safetensors` `model-00041-of-00048.safetensors` `model-00042-of-00048.safetensors` `model-00043-of-00048.safetensors` `model-00044-of-00048.safetensors` `model-00045-of-00048.safetensors` `model-00046-of-00048.safetensors` `model-00047-of-00048.safetensors` `model-00048-of-00048.safetensors`	166.878.536.440 (155,42 GiB / 166,88 GB)	`vllm, sglang, unspecified`	`file-metadata`
INT4 theoretical	Nenhum arquivo publicado	152.090.209.247 (Linhas teóricas não são artefactos descarregáveis.)	—	theoretical

Memória por quantização e contexto

Sequências concorrentes = 1. O KV padrão é FP16. O intervalo inclui extras de runtime documentados para o engine indicado. Os números usam o mesmo núcleo da calculadora interativa.

Quantização	2.048 tokens	8.192 tokens	32.768 tokens
FP8 safetensors	156,21 GiB–181,80 GiB	156,71 GiB–182,40 GiB	158,73 GiB–184,79 GiB
INT4 theoretical Linhas teóricas não são artefactos descarregáveis.	141,94 GiB–183,21 GiB	142,44 GiB–183,84 GiB	144,46 GiB–186,32 GiB

Cache KV (dados brutos)

Abrir a calculadora com este modelo

Páginas relacionadas

Fontes

DeepSeek-V4-Flash-0731 model card
config.json — revision 7872f01b1d1fe23eabc4c98b48bffcef5a386062
safetensors index — metadata.total_size=166878536440
Artifact repo unsloth/DeepSeek-V4-Flash-0731-GGUF — DSpark drafter dspark-DeepSeek-V4-Flash-0731-Q8_0.gguf is not main weight and is not a catalog artifact. No measured main Q8_0 size is recorded from this repo.

Premissas que afetam o resultado

O contexto pedido cabe na janela nativa de 1048576 tokens.
A estimativa residente usa o total de parâmetros, inclusive especialistas MoE inativos.
A contagem de parâmetros ativos é desconhecida ou não tem fonte independente. Parâmetros ativos descrevem o compute roteado, não a pegada residente completa.
Os bytes dos pesos vêm só dos arquivos escolhidos, não de todas as quantizações do repositório.
O tamanho do download não é o pico de GPU. Layout em execução e KV vêm a mais.
Os bytes de pesos vêm de 48 shards safetensors publicados, somando 166878536440 bytes.
Há pesos MTP/draft; só entram se ativados.
O contexto é o número de tokens em cache por sequência (entrada mais geração reservada).

Calculadora

A carregar o snapshot do catálogo…

Escolha primeiro um modelo e depois confira o equipamento.

Modelo

Mostrar modelos históricos

Quantização

Tipo de dispositivo

Hardware

Carga

O comprimento de contexto afeta principalmente a memória do KV cache.

Configurações avançadas

Runtime

Engine e tipo de cache KV desta estimativa.

Motor de execuçãoTipo do cache KVDtype do estado recorrente / conv Incluir estimativas teóricas (especialista) Permitir substituto se o filtro não tiver correspondência

Carga

Cenário de overhead e o espaço de prefill.

Cenário de overhead em tempo de execução Incluir área de trabalho mais pesada no prefill

Topologia

Como o modelo é dividido entre dispositivos. A memória não é somada.

Forma de implantaçãoDivisão intra-réplicaQuantidade de dispositivos

O número de réplicas é avançado. A quantidade são nós ou GPUs, não réplicas.

Grupos de réplicasDispositivos por réplica

Orçamento

Reserva do sistema e margem de segurança. Um número vazio mantém o valor anterior.

Reserva para sistema / tela

GiB (2^30 bytes)

O orçamento já exclui a reserva do sistemaMargem extra de segurança

Bits efetivos por parâmetro (personalizado)Unidade de exibição

Modelo personalizado

Importe uma config ou digite a arquitetura. Nada é varrido até você importar.

Importar config.json local

O arquivo é lido só no navegador e não é enviado.

Repositório público do Hugging FaceRevisão

Só huggingface.co, só config.json, sem token. Repositório privado é recusado.

Parâmetros totaisParâmetros ativosCamadasHeads de consultaHeads KVDimensão do head

Pesquise ou escolha um modelo do catálogo para ver a VRAM necessária e rodar um LLM local.

Pesquise ou escolha um modelo do catálogo para ver a VRAM necessária e rodar um LLM local.