DeepSeek-Coder-V2 236B calculadora TPS
Cada tarjeta a continuación se evalúa en función de este modelo en la longitud de contexto y calidad mínima que elijas. La velocidad es una estimación para una sola solicitud, calculada a partir del ancho de banda de memoria de la tarjeta y el tamaño del modelo una vez comprimido..
Calculado para este modelo
818 tarjetas que tenemos especificaciones para
Tarjeta más pequeña que cabe
H200 NVL
141 GB · Q3_K_M · 23.7 tok/s
Tarjeta más rápida
B200
33.2 tok/s · 180 GB
¿Qué GPU pueden ejecutar? DeepSeek-Coder-V2 236B?
Establecer las entradas, leer la respuesta
Una conversación más larga necesita más VRAM, lo que puede expulsar este modelo de tarjetas más pequeñas..
Oculta tarjetas que solo se ajustarían al modelo comprimiéndolo por debajo de este punto..
9 las tarjetas coinciden
Calculando| Necesita | Cuantización | Ajustar | |||||
|---|---|---|---|---|---|---|---|
|
33.2
tok/s
20–53 · baja confianza |
B200 NVIDIA | 180 GB | 8,000 GB/s | Jan 2024 | 143.5 GB | Q4_K_M | Ajustado |
|
23.7
tok/s
14–38 · baja confianza |
H200 NVL NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 116.0 GB | Q3_K_M | Ajustado |
|
23.7
tok/s
14–38 · baja confianza |
H200 SXM 141 GB NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 116.0 GB | Q3_K_M | Ajustado |
|
14.4
tok/s
9–23 · baja confianza |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 253.4 GB | Q8_0 | Ajustado |
|
13.3
tok/s
8–21 · baja confianza |
Radeon Instinct MI300X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 171.0 GB | Q5_K_M | Ajustado |
|
13.3
tok/s
8–21 · baja confianza |
Radeon Instinct MI308X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 171.0 GB | Q5_K_M | Ajustado |
|
12.2
tok/s
7–20 · baja confianza |
Radeon Instinct MI325X AMD | 256 GB | 6,000 GB/s | Oct 2024 | 198.4 GB | Q6_K | Ajustado |
|
11.5
tok/s
7–18 · baja confianza |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 253.4 GB | Q8_0 | Ajustado |
|
11.5
tok/s
7–18 · baja confianza |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 253.4 GB | Q8_0 | Ajustado |
Las velocidades son estimaciones para una sola solicitud — una conversación a la vez — calculadas a partir del ancho de banda de memoria, el tamaño del modelo y la cuantificación. El rendimiento real varía con el tiempo de inferencia y su versión. Las cifras publicadas por los proveedores de hardware miden muchas solicitudes simultáneas y son mucho más altas..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- DeepSeek
- Tipo de Organización
- Industry
- País
- China
- Publicado
- 17 June 2024
- Autores
- Qihao Zhu, Daya Guo, Zhihong Shao, Dejian Yang, Peiyi Wang, Runxin Xu, Y. Wu, Yukun Li, Huazuo Gao, Shirong Ma, Wangding Zeng, Xiao Bi, Zihui Gu, Hanwei Xu, Damai Dai, Kai Dong, Liyue Zhang, Yishi Piao, Zhibin Gou, Zhenda Xie, Zhewen Hao, Bingxuan Wang, Junxiao Song, Deli Chen, Xin Xie, Kang Guan, Yuxiang You, Aixin Liu, Qiushi Du, Wenjun Gao, Xuan Lu, Qinyu Chen, Yaohui Wang, Chengqi Deng, Jiashi…
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Code generation, Code autocompletion
- Enfoque
- Self-supervised learning
- Modelo base
- DeepSeek-V2 (MoE-236B)
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 236B
- Datos de entrenamiento
- 3,191,000,000,000 tokens
- Tamaño de lote
- 36,864,000
Mixture of experts model. 21B parameters activated per token.
"In the pre-training phase, the dataset of DeepSeek-Coder-V2 is created with a composition of 60% source code, 10% math corpus, and 30% natural language corpus ... The source code consists of 1,170B code-related tokens sourced from GitHub and CommonCrawl... For the math corpus, we collect 221B math-related tokens sourced from CommonCrawl... In total, DeepSeek-Coder-V2 has been exposed to 10.2T training tokens, where 4.2 trillion tokens originate from the DeepSeek V2 dataset, while the remaining …
Most training is done at batch size of 36,864. They do long context training: "In the first stage, we utilize a sequence length of 32K and a batch size of 1152 for 1000 steps. In the second stage, we train the model for an additional 1000 steps, employing a sequence length of 128K and a batch size of 288 sequences" 128k*288 = 36,864,000
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 1.3 × 10²⁴ FLOP
- Cómo se estableció
- Operation counting
Trained on a total of 10.2T tokens 6NC: 6 * 10.2T * 21B active parameters = 1.285e24
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Centro de datos
- The paper does not mention any hardware, GPUs or any information regarding the hardware used.
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Open — downloadable
- Acceso al modelo
- Open weights (restricted use)
- Código de entrenamiento
- Unreleased
- Hugging Face
- deepseek-ai
license has some harmful use restrictions: https://github.com/deepseek-ai/DeepSeek-Coder-V2/blob/main/LICENSE-MODEL no training code
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Probablemente por encima de 10²³ FLOP
- Yes
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
New SOTA on Aider, AIME 2024, and Math Odyssey benchmarks (including against proprietary models such as Claude 3 Opus, GPT-4o and GPT-4 Turbo). Note that Figure 1 appears to show the new model getting SOTA for several other benchmarks, but omits results from GPT-4o which wins in most cases.
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- DeepSeek-Coder-V2: Breaking the Barrier of Closed-Source Models in Code Intelligence
- Última actualización
- 28 November 2025
Los extremos
Las diez GPUs más rápidas que ejecutan DeepSeek-Coder-V2 236B
Clasificado por tokens estimados por segundo, la tarjeta más nueva primero donde las velocidades están empatadas. Debido a que la generación está limitada por el ancho de banda de memoria, este orden sigue el ancho de banda en lugar de cualquier referencia de juego..
- 01 B200 180 GB · 8,000 GB/s · Q4_K_M 33.2 tok/s
- 02 H200 NVL 141 GB · 4,890 GB/s · Q3_K_M 23.7 tok/s
- 03 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q3_K_M 23.7 tok/s
- 04 B300 288 GB · 8,000 GB/s · Q8_0 14.4 tok/s
- 05 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q5_K_M 13.3 tok/s
- 06 Radeon Instinct MI308X 192 GB · 5,325 GB/s · Q5_K_M 13.3 tok/s
- 07 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q6_K 12.2 tok/s
- 08 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 11.5 tok/s
- 09 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 11.5 tok/s
Las GPUs más pequeñas que aún funcionan DeepSeek-Coder-V2 236B
La ruta más barata para entrar, por capacidad de memoria. Un ajuste apretado ejecuta el modelo pero no deja nada de sobra para una conversación más larga..
- 01 H200 NVL 141 GB · Necesita 116.0 GB · Q3_K_M · Ajustado 23.7 tok/s
- 02 H200 SXM 141 GB 141 GB · Necesita 116.0 GB · Q3_K_M · Ajustado 23.7 tok/s
- 03 B200 180 GB · Necesita 143.5 GB · Q4_K_M · Ajustado 33.2 tok/s
- 04 Radeon Instinct MI300X 192 GB · Necesita 171.0 GB · Q5_K_M · Ajustado 13.3 tok/s
- 05 Radeon Instinct MI308X 192 GB · Necesita 171.0 GB · Q5_K_M · Ajustado 13.3 tok/s
- 06 Radeon Instinct MI325X 256 GB · Necesita 198.4 GB · Q6_K · Ajustado 12.2 tok/s
- 07 B300 288 GB · Necesita 253.4 GB · Q8_0 · Ajustado 14.4 tok/s
- 08 Radeon Instinct MI350X 288 GB · Necesita 253.4 GB · Q8_0 · Ajustado 11.5 tok/s
- 09 Radeon Instinct MI355X 288 GB · Necesita 253.4 GB · Q8_0 · Ajustado 11.5 tok/s
Qué significan los números
Lo que necesitas para ejecutar esto
Mínima tarjeta
H200 NVL
Memoria necesaria
116.0 GB
Más rápido
33.2 tok/s
DeepSeek-Coder-V2 236B llega a un recuento de parámetros de 236B. Eso está más allá de lo que cualquier tarjeta gráfica única puede soportar. Ejecutarlo significa dividirlo entre varias tarjetas o alquilar hardware construido para el trabajo, y cada tarjeta capaz de soportarlo sola es una parte de datacenter. El número que puede: 9.
El hardware mínimo que funciona es H200 NVL, con una capacidad de memoria de 141 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 23.7 tokens por segundo
En el otro extremo se encuentra B200, generando aproximadamente 33.2 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.
De dónde vino
DeepSeek-Coder-V2 236B fue publicado por DeepSeek, en el país registrado como China, durante June 2024. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de code generation, Code autocompletion.
En lugar de ser entrenado desde cero, se deriva de DeepSeek-V2 (MoE-236B). Por eso comparte la forma y el tamaño general del modelo base.
El hecho de que los pesos sean abiertos es lo que coloca esta página en la calculadora en lugar de solo en el catálogo: es un modelo que puedes sostener. En Hugging Face está publicado bajo la organización deepseek-ai.
Entendiendo las velocidades
En cada tarjeta que puede ejecutarlo, el medio del rango se sitúa en 13.3 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 9 de ellos.
Cada peso participa en cada token aquí, por lo que el ancho de banda es la historia completa: el ranking a continuación es efectivamente un ranking de rendimiento de memoria.
Su arquitectura interna no está en nuestra base de datos, por lo que la memoria se aproxima a partir del conteo de parámetros y se marca en consecuencia. Se espera que la cifra real difiera, más aún en contextos largos.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 1.3 × 10²⁴ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 3,191,000,000,000 tokens de texto
Su criterio de inclusión: sOTA improvement.
Paso a paso
Cómo elegir una GPU para DeepSeek-Coder-V2 236B
La tabla de arriba ya ha evaluado cada tarjeta para la que tenemos especificaciones en contra de este modelo. Llegar a tu respuesta toma seis pasos..
-
01
Verifica lo que necesita antes de cualquier otra cosa.
Cada tarjeta aquí ha sido verificada contra DeepSeek-Coder-V2 236B, necesitando alrededor 116.0 GB a una compresión de Q3_K_M. Ninguna cantidad de potencia de procesamiento compensa una CARD que no puede sostenerla.
-
02
Ajusta el contexto a tu uso actual
La conversación ocupa memoria también, y crece a medida que avanza. Ajusta el controlador a la longitud que esperas, porque en un contexto largo una CARD que maneja preguntas cortas fácilmente puede no encajar. DeepSeek-Coder-V2 236B.
-
03
Establecer un umbral de calidad
La compresión es lo que hace que un modelo quepa en tarjetas más pequeñas, a costa de cierta precisión., alcanzando una compresión de Q3_K_M en la tarjeta más pequeña que cabe. Establecer una calidad mínima elimina las tarjetas que solo la manejan apretando más de lo que desearías, y mantiene la comparación en un nivel.
-
04
Compara tokens por segundo, no especificaciones
El ranking por tokens por segundo sigue el ancho de banda de memoria en lugar de los recuentos de núcleos, para DeepSeek-Coder-V2 236B. No se ajustará a un pedido de gaming, porque la generación está limitada por el ancho de banda de memoria. La tarjeta que encabeza la lista es B200, en 33.2 tok/s
-
05
Verifica el veredicto de ajuste antes de comprar
Tight significa que se carga y funciona sin espacio para aumentar el contexto más tarde, en el caso de DeepSeek-Coder-V2 236B. Cómodo significa que puedes aumentar el contexto más adelante. Esa diferencia importa más que unos pocos tokens por segundo, así que compra por cómodo si esperas hacerlo.
-
06
Revisa la tarjeta del otro lado
Cada página de tarjeta repite este barrido para cada modelo que tenemos, respondiendo a qué más es bueno el hardware más allá de DeepSeek-Coder-V2 236B.
Respuestas
DeepSeek-Coder-V2 236B — preguntas comunes
DeepSeek-Coder-V2 236B— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 236B. Mixture of experts model. 21B parameters activated per token. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
DeepSeek-Coder-V2 236B— ¿Quién lo creó?
Fue publicado por DeepSeek, basado en China, una organización categorizada como industry.
DeepSeek-Coder-V2 236B— ¿cuándo fue lanzado?
Se publicó en June 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
DeepSeek-Coder-V2 236B— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de code generation, Code autocompletion. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
DeepSeek-Coder-V2 236B— ¿Dónde puedo descargarlo?
Sus pesos están publicados en Hugging Face, bajo la organización deepseek-ai. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.
DeepSeek-Coder-V2 236B— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.3 × 10²⁴ FLOP. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
DeepSeek-Coder-V2 236B— ¿Puedo ejecutarlo si no cabe en mi GPU?
Solo al descargar, lo cual suele ser una falsa economía: la parte mantenida en la memoria del sistema arrastra todo. El fallo más cercano que calculamos se queda corto por 28.3 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.
DeepSeek-Coder-V2 236B— ¿Correrían dos GPUS más rápido?
Una segunda tarjeta duplica aproximadamente la memoria disponible, pero no la tasa de generación. El número ya capaz de ejecutarlo solo: 9. Así que una segunda tarjeta rara vez es la respuesta aquí.
DeepSeek-Coder-V2 236B— ¿Por qué difiere la cuantificación entre tarjetas?
Cada tarjeta se muestra ejecutando la copia menos comprimida que puede contener. El número de niveles de compresión distintos entre las tarjetas que lo soportan: 5. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.
DeepSeek-Coder-V2 236B— ¿Qué tan precisas son estas estimaciones de velocidad?
Cada cifra se deriva del ancho de banda de VRAM y del tamaño del modelo, no está basado en benchmarks, por lo que cada una se publica como un rango en lugar de un solo número. Un ejemplo: 20–53 tok/s en B200. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.
DeepSeek-Coder-V2 236B— ¿Qué GPU necesito para ejecutarlo?
La tarjeta más pequeña en nuestro catálogo que lo sostiene es H200 NVL, con una capacidad de memoria de 141 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 116.0 GB, y produce aproximadamente 23.7 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 9.
DeepSeek-Coder-V2 236B— ¿qué tan rápido es en una GPU?
Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 33.2 tokens por segundo; el más lento que aún lo ejecuta consigue considerablemente menos. La velocidad de lectura es de alrededor de diez tokens por segundo, y el número de cards que logran eso: 9.
DeepSeek-Coder-V2 236B— ¿Cuánta VRAM necesita?
Necesita aproximadamente 116.0 GB a una compresión de Q3_K_M, cuál es la tarjeta más pequeña que lo ejecuta. Menos compresión necesita más: las cifras en la columna de memoria anterior se recalculan para cada tarjeta, porque cada una sostiene la versión menos comprimida que puede.
DeepSeek-Coder-V2 236B— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.