DeepSeek-V3 Υπολογιστής TPS
Κάθε κάρτα παρακάτω αξιολογείται σύμφωνα με αυτό το μοντέλο στη διάρκεια συμφραζομένων και την ελάχιστη ποιότητα που επιλέγετε. Η ταχύτητα είναι μια εκτίμηση για ένα μόνο αίτημα, υπολογισμένη από το εύρος ζώνης μνήμης της κάρτας και το μέγεθος του μοντέλου μόλις συμπιεστεί..
Υπολογίστηκε για αυτό το μοντέλο
818 κάρτες που κρατάμε προδιαγραφές για
Ποιες GPU μπορούν να τρέξουν DeepSeek-V3?
Ορίστε τις εισόδους, διαβάστε την απάντηση
Μια μεγαλύτερη συζήτηση χρειάζεται περισσότερη μνήμη, γεγονός που μπορεί να απομακρύνει αυτό το μοντέλο από μικρότερες κάρτες..
Κρύβει κάρτες που θα χωρούσαν μόνο το μοντέλο συμπιέζοντας το κάτω από αυτό το σημείο.
0 οι κάρτες ταιριάζουν
Υπολογισμός| Χρειάζεται | Ποσοτικοποίηση | Καλά | |||||
|---|---|---|---|---|---|---|---|
|
Καμία κάρτα στην κατασκοπία μας δεν μπορεί να τρέξει αυτό το μοντέλο με αυτές τις ρυθμίσεις.. |
|||||||
Οι ταχύτητες είναι εκτιμήσεις για ένα μόνο αίτημα — μία συνομιλία τη φορά — υπολογισμένες από την μνήμη, το μέγεθος του μοντέλου και την ποσοτικοποίηση. Η πραγματική διακύμανση έξοδου ποικίλλει με τον χρόνο εκτέλεσης συμπερασμάτων και την έκδοσή του. Οι αριθμοί που δημοσιεύονται από τους προμηθευτές υλικού μετρούν πολλές ταυτόχρονες αιτήσεις και είναι πολύ υψηλότεροι..
Σε καταγραφή
Πλήρης προδιαγραφή
Όλα τα καταγεγραμμένα για αυτό το μοντέλο. Τα περισσότερα από αυτά περιγράφουν το πώς εκπαιδεύτηκε παρά το πώς τρέχει — χρήσιμο πλαίσιο για την εκτίμηση του πόση εργασία έχει επενδυθεί σε αυτό, και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα..
Προέλευση
Ποιος κατασκεύασε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε.
- Οργάνωση
- DeepSeek
- Τύπος οργανισμού
- Industry
- Χώρα
- China
- Δημοσιευμένο
- 24 December 2024
- Συγγραφείς
- DeepSeek-AI, Aixin Liu, Bei Feng, Bing Xue, Bingxuan Wang, Bochao Wu, Chengda Lu, Chenggang Zhao, Chengqi Deng, Chenyu Zhang, Chong Ruan, Damai Dai, Daya Guo, Dejian Yang, Deli Chen, Dongjie Ji, Erhang Li, Fangyun Lin, Fucong Dai, Fuli Luo, Guangbo Hao, Guanting Chen, Guowei Li, H. Zhang, Han Bao, Hanwei Xu, Haocheng Wang, Haowei Zhang, Honghui Ding, Huajian Xin, Huazuo Gao, Hui Li, Hui Qu, J.L. C…
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.
- τομέας
- Language
- Εργασία
- Language modeling/generation, Code generation, Quantitative reasoning, Question answering
- Αριθμητική μορφή
- FP8
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα έχει εκπαιδευτεί. Οι παράμετροι είναι ο αριθμός που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- παράμετροι
- 671B
- Δεδομένα εκπαίδευσης
- 14,800,000,000,000 tokens
- Μέγεθος παρτίδας
- 62,914,560
Mixture-of-Experts (MoE) language model with 671B total parameters with 37B activated for each token.
"We pre-train DeepSeek-V3 on 14.8 trillion diverse and high-quality tokens, followed by Supervised Fine-Tuning and Reinforcement Learning stages to fully harness its capabilities"
15360 * 4096
Εκπαίδευση υπολογιστών
Η αριθμητική που πραγματοποιήθηκε για την εκπαίδευση του μοντέλου, μετρημένη σε πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της προπόνησης, όχι της ταχύτητας με την οποία το ολοκληρωμένο μοντέλο σας απαντά.
- Εκπαίδευση υπολογιστών
- 3.3 × 10²⁴ FLOP
- Πώς ιδρύθηκε
- Operation counting,Hardware
6 × 37B × 14.8T = 3.29e24 pretraining FLOPs, 1e22 posttrainining FLOPs - see doc below https://docs.google.com/document/d/1C4zBvHh4UNnzaorwQSdG61zQJsBV9X3i3A70NeelxHY/edit?usp=sharing
Η εκπαίδευση run
Τι απαιτήθηκε φυσικά για την εκπαίδευση: ποιες κάρτες, πόσες, για πόσο καιρό, και τι αυτό απαιτούσε από το ρεύμα.
- Υλικό εκπαίδευσης
- NVIDIA H800 SXM5
- χρησιμοποιούμενα τσιπ
- 2,048
- Τσιπ-ώρες
- 2,788,000
- Χρήση υλικού
- MFU 19.5%
- Κατανάλωση ενέργειας
- 2.8 MW
- Κόστος υπολογισμού
- $5,390,000
- Κέντρο δεδομένων
- Paper on DeepSeek-V3
Table 4: Training metric comparison "Causal MFU only takes into account the flops of the lower triangle of the attention matrix (in line with FlashAttention), while non-causal MFU includes the flops of the whole attention matrix (in line with Megatron)" TFLOPS (causal) = 385 H800 maximum FP8 performance = 1979 TFLOPS therefore MFU = 385/1979 = 0.1947
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το τρέξετε στο δικό σας υλικό, το οποίο αποφασίζει αν οποιαδήποτε από τις αριθμούς της κάρτας γραφικών σε αυτή τη σελίδα ισχύει.
- Βάρη
- Open — downloadable
- Πρόσβαση μοντέλου
- Open weights (restricted use)
- Κωδικός εκπαίδευσης
- Unreleased
- Αγκαλιάζοντας το Πρόσωπο
- deepseek-ai
MIT and deepseek license https://github.com/deepseek-ai/DeepSeek-V3?tab=readme-ov-file I cannot see training code in this repo https://github.com/deepseek-ai/DeepSeek-V3?tab=readme-ov-file
Πώς ταξινομείται
Ετικέτες το πηγαίο σύνολο δεδομένων εφαρμόζει όταν παρακολουθεί σημαντικά μοντέλα, και πόσο βέβαιο είναι στην είσοδο.
- Πιθανώς πάνω από 10²³ FLOP
- Yes
- Γιατί παρακολουθείται
- Training cost
- Εγγραφή εμπιστοσύνης
- Confident
training cost was $5.3million USD (Table 1)
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία φορά.
- Αναφορά
- DeepSeek-V3 Technical Report
- Τελευταία ενημέρωση
- 19 February 2026
Τι σημαίνουν οι αριθμοί
Τι χρειάζεται για να τρέξει αυτό το μοντέλο
DeepSeek-V3 φτάνει σε αριθμό παραμέτρων του 671B. Αυτό είναι πέρα από ό,τι κρατάει οποιαδήποτε μεμονωμένη κάρτα γραφικών. Η εκτέλεσή του σημαίνει είτε να το χωρίσετε σε αρκετές κάρτες είτε να νοικιάσετε υλικό κατασκευασμένο για τη δουλειά, και κάθε κάρτα που μπορεί να το κρατήσει μόνη της είναι μέρος ενός datacentre. Ο αριθμός που μπορεί: 0.
Από πού προήλθε
DeepSeek-V3 δημοσιεύθηκε από DeepSeek, στην χώρα καταγεγραμμένη ως China, κατά τη διάρκεια December 2024. Προέρχεται από έναν οργανισμό που κατατάσσεται ως industry.
Λειτουργεί στον τομέα της Language, και καταγράφεται ότι εκτελεί την εργασία του language modeling/generation, Code generation, Quantitative reasoning, Question answering.
Τα ανοιχτά βάρη είναι αυτά που τοποθετούν αυτή τη σελίδα στον υπολογιστή αντί να είναι μόνο στον κατάλογο: είναι ένα μοντέλο που μπορείς να κρατήσεις πραγματικά. Στο Hugging Face δημοσιεύεται υπό την οργάνωση deepseek-ai.
Πώς εκπαιδεύτηκε
Η παραγωγή του απαιτούσε αριθμητική που ανήλθε περίπου 3.3 × 10²⁴ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA H800 SXM5. Αυτή η τιμή μετράει το κόστος παραγωγής του μοντέλου και δεν έχει σχέση με το πόσο γρήγορα απαντά.
Η εκπαίδευση κατανάλωσε ένα σύνολο περίπου 14,800,000,000,000 κωδικοί κειμένου
Το κριτήριο συμπερασμού του: training cost.
Βήμα προς βήμα
Πώς να επιλέξετε μια GPU για DeepSeek-V3
Ο πίνακας παραπάνω έχει ήδη αξιολογήσει κάθε κάρτα για την οποία έχουμε προδιαγραφές σε σχέση με αυτό το μοντέλο. Η εύρεση της απάντησής σας απαιτεί έξι βήματα.
-
01
Έλεγξε τι χρειάζεται πριν από οτιδήποτε άλλο
Κάθε κάρτα εδώ έχει ελεγχθεί σε σχέση με DeepSeek-V3. Η Χωρητικότητα είναι η πύλη — μια κάρτα είτε την κρατά είτε δεν την κρατά.
-
02
Ταιριάξτε το πλαίσιο με την πραγματική σας χρήση
Ρυθμίστε το πλαίσιο σε αυτό που θα χρησιμοποιήσετε πραγματικά. Η μνήμη αυξάνεται με την συνομιλία, και είναι ο συνηθισμένος λόγος που μια κάρτα που φαινόταν εντάξει σταματά να ταιριάζει. DeepSeek-V3.
-
03
Επίλεξε πόσο μακριά θα το συμπιέσεις
Κάθε κάρτα εκτελεί την λιγότερο συμπιεσμένη έκδοση που μπορεί να κρατήσει. Η ρύθμιση μιας ελάχιστης ποιότητας απορρίπτει τις κάρτες που το διαχειρίζονται μόνο σφίγγοντας περισσότερο από αυτό που θα θέλατε, και διατηρεί τη σύγκριση σε ένα επίπεδο.
-
04
Κατάταξη με βάση την απόδοση αντί για το φύλλο προδιαγραφών
Ταξινόμηση κατά ταχύτητα για να δείτε πώς οι ΚΑΡΤΕΣ κατατάσσονται για DeepSeek-V3. Δεν θα ταιριάξει σε μια παραγγελία παιχνιδιών, επειδή η γενιά περιορίζεται από το memory bandwidth.
-
05
Ελέγξτε την απόφαση κατάλληλης εφαρμογής πριν από την αγορά
Το "Tight" σημαίνει ότι φορτώνει και λειτουργεί χωρίς περιθώριο να αυξηθεί το context αργότερα, στην περίπτωση του DeepSeek-V3. Άνετο σημαίνει ότι μπορείτε να επεκτείνετε το context αργότερα. Αυτή η διαφορά έχει μεγαλύτερη σημασία από μερικά tokens ανά δευτερόλεπτο, οπότε αγοράστε για άνετο αν το περιμένετε.
-
06
Δες τι άλλο τρέχει αυτή η κάρτα
Ακολουθώντας μια κάρτα μέχρι τη δική της σελίδα δείχνει κάθε άλλο μοντέλο που μπορεί να κρατήσει, το οποίο είναι το ερώτημα που προκύπτει μόλις αποφασίσετε για DeepSeek-V3.
Απαντήσεις
DeepSeek-V3 — κοινές ερωτήσεις
DeepSeek-V3— ποιος το δημιούργησε;
Δημοσιεύθηκε από DeepSeek, βασισμένο σε China, μία οργάνωση κατηγοριοποιημένη ως industry.
DeepSeek-V3— πότε κυκλοφόρησε;
Δημοσιεύθηκε σε December 2024. Η ικανότητα ανά παράμετρο έχει βελτιωθεί σημαντικά από τότε, οπότε ένα νέο ΜΟΝΤΕΛ του ίδιου μεγέθους είναι συχνά η καλύτερη χρήση του ίδιου υλικού.
DeepSeek-V3— για τί χρησιμοποιείται;
Λειτουργεί στον τομέα της Language, και καταγράφεται ως διαχείριση της εργασίας του language modeling/generation, Code generation, Quantitative reasoning, Question answering. Ένα ΜΟΝΤΕΛ μπορεί να φέρει πολλά από το καθένα, οπότε αυτές είναι οι περιοχές για τις οποίες κατασκευάστηκε παρά περιορισμός σε ό,τι θα προσπαθήσει.
DeepSeek-V3— πού μπορώ να το κατεβάσω;
Τα βάρη του είναι δημοσιευμένα στο Hugging Face, υπό την οργάνωση deepseek-ai. Δεν φιλοξενούμε αρχεία μοντέλων — αυτός ο ιστότοπος υπολογίζει ποιο υλικό απαιτείται για να τα εκτελέσετε.
DeepSeek-V3— πόσο υπολογιστική ισχύς χρησιμοποιήθηκε για την εκπαίδευσή του;
Η εκπαίδευση κατανάλωσε περίπου 3.3 × 10²⁴ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA H800 SXM5. Αυτό μετράει το κόστος παραγωγής του μοντέλου και δεν λέει τίποτα για το πόσο γρήγορα απαντά μόλις εκπαιδευτεί — η ταχύτητα συμπερασμάτων προέρχεται από τον δίαυλο μνήμης, όχι από τον προϋπολογισμό εκπαίδευσης.
DeepSeek-V3— μπορώ να το τρέξω αν δεν χωράει στην GPU μου;
Μόνο μέσω της εκφόρτωσης, η οποία είναι συνήθως μια ψευδής οικονομία: το μέρος που κρατιέται στη μνήμη του συστήματος τραβάει όλο το πράγμα κάτω. Η πλησιέστερη αποτυχία που υπολογίζουμε υπολείπεται κατά 147.5 GB Κάθε αριθμός εδώ υποθέτει ότι ολόκληρο το μοντέλο είναι εγκατεστημένο στην κάρτα.
DeepSeek-V3— θα τρέξουν δύο GPU πιο γρήγορα;
Η ικανότητα προστίθεται σε κάρτες; η απόδοση δεν προστίθεται. Ο αριθμός των καρτών που το κρατούν ήδη μόνες τους: 0. Έτσι, μια δεύτερη κάρτα σπάνια είναι η απάντηση εδώ.
DeepSeek-V3— γιατί διαφέρει η ποσοτικοποίηση μεταξύ των καρτών;
Κάθε κάρτα εμφανίζεται τρέχοντας την λιγότερο συμπιεσμένη έκδοση που μπορεί να κρατήσει. Ο αριθμός των διακριτών επιπέδων συμπίεσης στις κάρτες που ταιριάζουν σε αυτήν: 1. Οι μεγαλύτερες κάρτες παίρνουν την πιο ακριβή έκδοση, και η ποιότητα του δαπέδου πάνω από τις βελονίτσες συγκρατεί τη σύγκριση σε ένα επίπεδο.
DeepSeek-V3— πόσο ακριβείς είναι αυτές οι εκτιμήσεις ταχύτητας;
Κάθε νούμερο προκύπτει από το εύρος ζώνης μνήμης και το μέγεθος του μοντέλου, χωρίς να έχουν αξιολογηθεί, γι' αυτό και κάθε ένα δημοσιεύεται ως εύρος αντί για έναν μόνο αριθμό. Ένα παράδειγμα: η κλίμακα κάτω από κάθε αριθμό. Το ίδιο μοντέλο και κάρτα διαφέρουν κατά τριάντα έως πενήντα τοις εκατό ανάλογα με το λογισμικό συμπερασμού και την έκδοσή του.
DeepSeek-V3— είναι ανοιχτού κώδικα;
Οι βάσεις του είναι δημοσιευμένες, οπότε μπορεί να κατέβει και να τρέξει σε δικό σας υλικό. Σημειώστε ότι τα open weights δεν είναι το ίδιο με το open source με την πλήρη έννοια — δεν λέει τίποτα για τα δεδομένα εκπαίδευσης, τον κώδικα εκπαίδευσης ή τους εμπορικούς όρους που συσχετίζονται.
DeepSeek-V3— πόσες παραμέτρους έχει;
Έχει αριθμό παραμέτρων 671B. Mixture-of-Experts (MoE) language model with 671B total parameters with 37B activated for each token. Αυτή η φιγούρα είναι το σύνολο, και είναι αυτό που αποφασίζει πόση μνήμη χρειάζεται το μοντέλο - περίπου μισό γιγαμπάιτ ανά δισεκατομμύριο με τη συμπίεση που χρησιμοποιεί το πιο πολλοί άνθρωποι.
Η άλλη κατεύθυνση
Κοιτάζοντας το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινά από το μοντέλο. Αν έχετε ήδη μια κάρτα και θέλετε να μάθετε τα πάντα για το τι θα τρέξει., ξεκινήστε από το υλικό αντ' αυτού.