DeepSeekMath 7B calculadora TPS

Abre pesos DeepSeek,Tsinghua University,Peking University 7B parámetros February 2024

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

509 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Xeon Phi 5110P

8 GB · Q5_K_M · 22.5 tok/s

Tarjeta más rápida

B200

484 tok/s · 180 GB

¿Qué GPU pueden ejecutar? DeepSeekMath 7B?

Establecer las entradas, leer la respuesta

Longitud del contexto tokens

Una conversación más larga necesita más VRAM, lo que puede expulsar este modelo de tarjetas más pequeñas..

Calidad mínima

Oculta tarjetas que solo se ajustarían al modelo comprimiéndolo por debajo de este punto..

Buscar tarjetas

Memoria de la tarjeta

También muestra tarjetas que no pueden ejecutarlo.

509 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
484 tok/s 411–581	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	9.6 GB	Q8_0	Cómodo
484 tok/s 411–581	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	9.6 GB	Q8_0	Cómodo
387 tok/s 232–618 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	9.6 GB	Q8_0	Cómodo
387 tok/s 232–618 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	9.6 GB	Q8_0	Cómodo
309 tok/s 185–495 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	9.6 GB	Q8_0	Cómodo
296 tok/s 251–355	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.6 GB	Q8_0	Cómodo
296 tok/s 251–355	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.6 GB	Q8_0	Cómodo
283 tok/s 170–453 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	9.6 GB	Q8_0	Cómodo
251 tok/s 151–402 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	9.6 GB	Q8_0	Cómodo
251 tok/s 151–402 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	9.6 GB	Q8_0	Cómodo
251 tok/s 151–402 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	9.6 GB	Q8_0	Cómodo
238 tok/s 203–286	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	9.6 GB	Q8_0	Cómodo
203 tok/s 173–244	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.6 GB	Q8_0	Cómodo
203 tok/s 173–244	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	9.6 GB	Q8_0	Cómodo
203 tok/s 173–244	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	9.6 GB	Q8_0	Cómodo
203 tok/s 173–244	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.6 GB	Q8_0	Cómodo
203 tok/s 173–244	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	9.6 GB	Q8_0	Cómodo
161 tok/s 137–193	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	7.2 GB	Q5_K_M	Ajustado
155 tok/s 93–248 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	9.6 GB	Q8_0	Cómodo
155 tok/s 93–248 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	9.6 GB	Q8_0	Cómodo
137 tok/s 117–165	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.0 GB	Q6_K	Ajustado
129 tok/s 77–206 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	9.6 GB	Q8_0	Cómodo
126 tok/s 76–202 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	9.6 GB	Q8_0	Cómodo
123 tok/s 105–148	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	9.6 GB	Q8_0	Cómodo
123 tok/s 105–148	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	9.6 GB	Q8_0	Cómodo

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,Tsinghua University,Peking University
Tipo de Organización: Industry,Academia,Academia
País: China
Publicado: 5 February 2024
Autores: Zhihong Shao, Peiyi Wang, Qihao Zhu, Runxin Xu, Junxiao Song, Xiao Bi, Haowei Zhang, Mingchuan Zhang, Y.K. Li, Y. Wu, Daya Guo

Lo que hace

Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.

Dominio: Language
Tarea: Quantitative reasoning
Modelo base: DeepSeek Coder 6.7B

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: 7B
Datos de entrenamiento: 500,000,000,000 tokens

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 × 10²³ FLOP
Cómo se estableció: Operation counting
Computación de ajuste fino: 2.1 × 10²² FLOP

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

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
Confianza de registro: Confident

Fuentes

De dónde proviene este registro y cuándo fue comprobado por última vez.

Referencia: DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan DeepSeekMath 7B

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..

Las GPUs más pequeñas que aún funcionan DeepSeekMath 7B

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..

Qué significan los números

Lo que necesitas para ejecutar esto

Mínima tarjeta

Xeon Phi 5110P

Memoria necesaria

7.2 GB

Más rápido

484 tok/s

DeepSeekMath 7B llega a un recuento de parámetros de 7B. Eso es lo suficientemente pequeño como para que el hardware rara vez sea el obstáculo, incluso en tarjetas de varios años. El número de tarjetas que rastreamos que pueden ejecutarlo: 509.

El hardware mínimo que funciona es Xeon Phi 5110P, con una capacidad de memoria de 8 GB, ejecutándolo a una compresión de Q5_K_M y produciendo alrededor 22.5 tokens por segundo

Lo más rápido que calculamos para ello es B200, generando aproximadamente 484 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

De dónde vino

DeepSeekMath 7B fue publicado por DeepSeek,Tsinghua University,Peking University, en el país registrado como China, durante February 2024. Sale de una organización categorizada como industry,Academia,Academia.

Funciona en el dominio de Language, y se registra como realizando la tarea de quantitative reasoning.

Su punto de partida fue un modelo base existente, DeepSeek Coder 6.7B. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.

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 27.2 tokens por segundo. Limpiando los diez tokens por segundo que corresponden aproximadamente a la velocidad de lectura: 482 de ellos.

Siendo denso, lee todo de sí mismo por token, razón por la cual el orden según velocidad a continuación sigue tan de cerca el orden por ancho de banda de memoria.

Debido a que la arquitectura está registrada, la columna de memoria se deriva en lugar de estimarse.

Entrenamiento y procedencia

Producirlo requirió una aritmética que totaliza alrededor de 1 × 10²³ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

El conjunto de entrenamiento se ejecutó a aproximadamente 500,000,000,000 tokens de texto

Paso a paso

Cómo elegir una GPU para DeepSeekMath 7B

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

Lee la cifra de MEMORIA primero

La tabla enumera cada tarjeta capaz de contener DeepSeekMath 7B, necesitando alrededor 7.2 GB a una compresión de Q5_K_M. Esa cifra, no el rendimiento principal de una CARD, es lo que decide si se ejecuta.
02

Decide cuánto duran tus conversaciones.

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. DeepSeekMath 7B.
03

Decide cuánto compresión aceptarás

Cada tarjeta ejecuta la copia menos comprimida que puede contener., alcanzando una compresión de Q5_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 DeepSeekMath 7B. 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 484 tok/s
05

Mira el margen, no solo la compatibilidad.

Un ajuste apretado se ejecuta, pero no deja nada de sobra para una conversación más larga, en el caso de DeepSeekMath 7B. 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

Mira qué más ejecuta esa tarjeta

Cada nombre de tarjeta enlaza a su propia página, que ejecuta el mismo cálculo en todo el catálogo del modelo. Una tarjeta generalmente se compra para más de un modelo, por lo que vale la pena echar un vistazo antes de comprar para DeepSeekMath 7B.

Respuestas

DeepSeekMath 7B — preguntas comunes

DeepSeekMath 7B— ¿Puedo ejecutarlo en una GPU que tiene? 16 GB?

Sí. La tarjeta Tesla V100 SXM2 16 GB, sosteniendo 16 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 9.6 GB y generando aproximadamente 68.4 tokens por segundo. El ajuste es cómodo.

DeepSeekMath 7B— ¿Puedo ejecutarlo en una GPU que tiene? 24 GB?

Sí. La tarjeta GeForce RTX 5090 D V2, sosteniendo 24 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 9.6 GB y generando aproximadamente 81.1 tokens por segundo. El ajuste es cómodo.

DeepSeekMath 7B— ¿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.

DeepSeekMath 7B— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 7B. "Our model is initialized with DeepSeek-Coder-Base-v1.5 7B (Guo et al., 2024) and trained for 500B tokens.". 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.

DeepSeekMath 7B— ¿Quién lo creó?

Fue publicado por DeepSeek,Tsinghua University,Peking University, basado en China, una organización categorizada como industry,Academia,Academia.

DeepSeekMath 7B— ¿cuándo fue lanzado?

Se publicó en February 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.

DeepSeekMath 7B— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de quantitative reasoning. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.

DeepSeekMath 7B— ¿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.

DeepSeekMath 7B— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 1 × 10²³ 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.

DeepSeekMath 7B— ¿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 1.0 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

DeepSeekMath 7B— ¿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: 509. Así que una segunda tarjeta rara vez es la respuesta aquí.

DeepSeekMath 7B— ¿Por qué difiere la cuantificación entre tarjetas?

Una tarjeta más grande sostiene una copia más precisa. El número de niveles de compresión utilizados en las tarjetas que la ejecutan: 3. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

DeepSeekMath 7B— ¿Qué tan precisas son estas estimaciones de velocidad?

Se calculan a partir de especificaciones en lugar de ser medidas, y cada una tiene un rango. Un ejemplo: 411–581 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.

DeepSeekMath 7B— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Xeon Phi 5110P, con una capacidad de memoria de 8 GB. Funciona el modelo a una compresión de Q5_K_M usando alrededor 7.2 GB, y produce aproximadamente 22.5 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 509.

DeepSeekMath 7B— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 484 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: 482.

DeepSeekMath 7B— ¿Cuánta VRAM necesita?

Necesita aproximadamente 7.2 GB a una compresión de Q5_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.

DeepSeekMath 7B— ¿Puedo ejecutarlo en una GPU que tiene? 8 GB?

Sí. La tarjeta CMP 170HX 8 GB, sosteniendo 8 GB, lo ejecuta a una compresión de Q5_K_M, usando alrededor 7.2 GB y generando aproximadamente 161 tokens por segundo. El ajuste es ajustado.

DeepSeekMath 7B— ¿Puedo ejecutarlo en una GPU que tiene? 12 GB?

Sí. La tarjeta GeForce RTX 3080 Ti, sosteniendo 12 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 9.6 GB y generando aproximadamente 55.2 tokens por segundo. El ajuste es ajustado.

Origen

Publicación original

Última actualización registrada 28 November 2025

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.

Todos los modelos de IA