DeepSeek-V3.1 TPS-Rechner
Jede Karte unten wird anhand dieses Modells bei der von Ihnen gewählten Kontextlänge und Mindestqualität bewertet. Geschwindigkeit ist eine Schätzung für eine einzelne Anfrage, berechnet aus der Speicherbandbreite der Karte und der Größe des Modells, sobald es komprimiert ist..
Für dieses Modell berechnet
818 Karten, für die wir Spezifikationen haben
Welche GPUs können laufen DeepSeek-V3.1?
Setze die Eingaben, lies die Antwort
Ein längeres Gespräch benötigt mehr MEMORY, was dieses Modell von kleineren CARDS drängen kann..
Blendet Karten aus, die nur durch Komprimierung unter diesen Punkt in das Modell passen würden..
0 Karten passen
Berechnung| Braucht | Quantisierung | Passend | |||||
|---|---|---|---|---|---|---|---|
|
Keine Karte in unserem Katalog kann dieses Modell mit diesen Einstellungen ausführen.. |
|||||||
Die Geschwindigkeiten sind Schätzungen für eine einzelne Anfrage — ein Gespräch zur Zeit — berechnet aus BANDWIDTH, MODELLGRÖSSE und QUANTISIERUNG. Der tatsächliche Durchsatz variiert mit der INFERENZLAUFZEIT und ihrer Version. Zahlen, die von Hardwareanbietern veröffentlicht wurden, messen viele gleichzeitige Anfragen und sind viel höher..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- DeepSeek
- Organisationsart
- Industry
- Land
- China
- Veröffentlicht
- 21 August 2025
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Language modeling/generation, Code generation, Quantitative reasoning, Question answering, Search, System control, Instruction interpretation
- Basis-Modell
- DeepSeek-V3
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 671B
- Trainingsdaten
- 840,000,000,000 tokens
671B total, 37B active
"840B tokens continued pretraining for long context extension on top of V3" "The 32K extension phase has been increased 10-fold to 630B tokens, while the 128K extension phase has been extended by 3.3x to 209B tokens." 839B in total
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 3.6 × 10²⁴ FLOP
- Wie es etabliert wurde
- Operation counting
- Feinabstimmung Rechenleistung
- 1.9 × 10²³ FLOP
This was based on V3 which was trained on 14.8T tokens for a total of 14.8T + 840B = 15.64T pretraining tokens. Adding the FLOPs from continued pretraining onto our estimate for V3, which is 3.4e24 FLOPs, we get 3.4e24 + 1.9e23 = 3.59e24
6 FLOP / parameter / token * 37* 10^9 active parameters * 839 * 10^9 tokens = 1.86258e+23 FLOP
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Open — downloadable
- Modellzugang
- Open weights (unrestricted)
- Training-Code
- Unreleased
- Hugging Face
- deepseek-ai
MIT license https://huggingface.co/deepseek-ai/DeepSeek-V3.1
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Confident
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Introducing DeepSeek-V3.1: our first step toward the agent era!
- Zuletzt aktualisiert
- 20 January 2026
Was die Zahlen bedeuten
Was Sie benötigen, um es auszuführen
DeepSeek-V3.1 erreicht eine Parameteranzahl von 671B. Das übersteigt, was eine einzelne GPU-Karte hält. Es auszuführen bedeutet, entweder auf mehrere Karten aufzuteilen oder Hardware zu mieten, die für die Aufgabe gebaut ist, und jede Karte, die es alleine halten kann, ist ein Datacenter-Teil. Die Anzahl, die es kann: 0.
Über dieses Modell
DeepSeek-V3.1 wurde veröffentlicht von DeepSeek, im Land aufgezeichnet als China, während August 2025. Die veröffentlichende Organisation ist als industry.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling/generation, Code generation, Quantitative reasoning, Question answering, Search, System control, Instruction interpretation.
Anstatt von Grund auf neu trainiert zu werden, ist es abgeleitet von DeepSeek-V3. Die meisten Modelle in diesem Bereich sind von einer bestehenden Basis abgeleitet, anstatt aus dem Nichts erstellt zu werden.
Da seine Gewichte veröffentlicht wurden, hängt nichts davon ab, es auszuführen, dass ein Anbieter verfügbar bleibt – es gehört dir, sobald es heruntergeladen ist. Es ist unter der Organisation auf Hugging Face veröffentlicht. deepseek-ai.
Training und Herkunft
Der Trainingslauf verbrauchte etwa 3.6 × 10²⁴ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Es wurde auf einem Korpus von etwa 840,000,000,000 Text-Tokens
Schritt für Schritt
Wie wählt man eine GPU für DeepSeek-V3.1
Die obige Tabelle hat bereits jede Karte, für die wir Spezifikationen haben, mit diesem Modell verglichen. Um zu Ihrer Antwort zu gelangen, sind sechs Schritte erforderlich..
-
01
Beginnen Sie mit der Speicher-Spalte
Die Tabelle listet jede Karte auf, die in der Lage ist, zu halten DeepSeek-V3.1. Die Kapazität ist das Tor — eine Karte hält es entweder oder sie tut es nicht.
-
02
Passen Sie den Kontext an Ihre tatsächliche Verwendung an
Das Gespräch belegt ebenfalls Speicher und wächst, während es fortschreitet. Stellen Sie den Regler auf die Länge ein, die Sie erwarten, denn bei langem CONTEXT kann eine KARTE, die kurze Fragen mühelos verarbeitet, entfernt werden. DeepSeek-V3.1.
-
03
Setze eine Qualitätsuntergrenze
Die Quantisierungs-Spalte variiert nach Karte, da eine größere Karte eine genauere Kopie hält.. Das Festlegen einer Mindestqualität fallen die Karten weg, die es nur schaffen, indem sie weiter gedrückt werden, als man möchte, und hält den Vergleich auf einem Niveau.
-
04
Nach Geschwindigkeit sortieren
Nach Geschwindigkeit sortieren, um zu sehen, wie die CARDS eingestuft sind für DeepSeek-V3.1. Es wird nicht mit einer Gaming-Bestellung übereinstimmen, da die Generation durch MEMORY-BANDWIDTH gebunden ist.
-
05
Lies die Spalte "fit" zuletzt
Tight bedeutet, dass es lädt und ohne Spielraum funktioniert, um den Kontext später zu erhöhen, im Fall von DeepSeek-V3.1. Komfortabel bedeutet, dass Sie den Kontext später erweitern können. Dieser Unterschied zählt mehr als ein paar Token pro Sekunde, also kaufen Sie für komfortabel, wenn Sie damit rechnen.
-
06
Überprüfen Sie die Karte von der anderen Seite
Jede Karten-Seite wiederholt diesen Ablauf für jedes Modell, das wir in unserem Bestand haben, und beantwortet, wofür die Hardware darüber hinaus noch gut ist. DeepSeek-V3.1.
Antworten
DeepSeek-V3.1 — Häufige Fragen
DeepSeek-V3.1— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in August 2025.
DeepSeek-V3.1— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling/generation, Code generation, Quantitative reasoning, Question answering, Search, System control, Instruction interpretation. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
DeepSeek-V3.1— Wo kann ich es herunterladen?
Seine Gewichte sind auf Hugging Face veröffentlicht, unter der Organisation deepseek-ai. Wir hosten keine Modell-Dateien — diese Seite berechnet, welche Hardware benötigt wird, um sie auszuführen.
DeepSeek-V3.1— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 3.6 × 10²⁴ FLOP. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
DeepSeek-V3.1— Kann ich es ausführen, wenn es nicht in meine GPU passt?
Teilweise. Schichten, die nicht passen, verbleiben im System-Speicher und laufen mit einem Bruchteil der Geschwindigkeit, sodass ein überwiegend ausgelagerter Modell selten von Nutzen ist. Die nächste verpasste Berechnung bleibt hinter 103.0 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.
DeepSeek-V3.1— Würden zwei GPUs es schneller ausführen?
Zwei Karten kaufen Speicher statt Geschwindigkeit, was nur wichtig ist, wenn eine Karte es nicht halten kann. Die Anzahl, die es kann: 0. So eine zweite Karte ist hier selten die Antwort.
DeepSeek-V3.1— Warum unterscheidet sich die Quantisierung zwischen Karten?
Da die Kapazität variiert, variiert auch, wie sehr sie komprimiert werden muss. Die Anzahl der unterschiedlichen Ebenen in der obigen Tabelle: 1. Größere Karten erhalten die genauere Version, und die Qualitätsuntergrenze verankert den Vergleich auf einem Niveau.
DeepSeek-V3.1— Wie genau sind diese Geschwindigkeitsabschätzungen?
Jede Zahl leitet sich von VRAM-Bandbreite und Modellgröße ab, nicht benchmarked, weshalb jede als Bereich und nicht als einzelne Zahl veröffentlicht wird. Ein Beispiel: der Bereich unter jeder Zahl. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.
DeepSeek-V3.1— Ist es Open-Source?
Die Gewichte sind veröffentlicht, sodass sie heruntergeladen und auf Ihrer eigenen Hardware ausgeführt werden können. Beachten Sie, dass OPEN WEIGHTS nicht dasselbe wie OPEN SOURCE im vollen Sinne ist — es sagt nichts über die Trainingsdaten, den Trainingscode oder die damit verbundenen kommerziellen Bedingungen aus.
DeepSeek-V3.1— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 671B. 671B total, 37B active. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
DeepSeek-V3.1— Wer hat es erstellt?
Es wurde veröffentlicht von DeepSeek, basiert auf China, eine als kategorisierte Organisation industry.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.