DeepSeek Coder 6.7B calculadora TPS

Abre pesos DeepSeek,Peking University 6.7B parámetros January 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

306 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

P102-101

10 GB · Q4_K_M · 39.7 tok/s

Tarjeta más rápida

B200

506 tok/s · 180 GB

¿Qué GPU pueden ejecutar? DeepSeek Coder 6.7B?

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.

306 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
506 tok/s 430–607	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	11.5 GB	Q8_0	Cómodo
506 tok/s 430–607	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	11.5 GB	Q8_0	Cómodo
404 tok/s 242–646 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	11.5 GB	Q8_0	Cómodo
404 tok/s 242–646 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	11.5 GB	Q8_0	Cómodo
323 tok/s 194–517 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	11.5 GB	Q8_0	Cómodo
309 tok/s 263–371	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	11.5 GB	Q8_0	Cómodo
309 tok/s 263–371	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	11.5 GB	Q8_0	Cómodo
296 tok/s 178–473 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	11.5 GB	Q8_0	Cómodo
263 tok/s 158–420 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	11.5 GB	Q8_0	Cómodo
263 tok/s 158–420 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	11.5 GB	Q8_0	Cómodo
263 tok/s 158–420 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	11.5 GB	Q8_0	Cómodo
249 tok/s 212–299	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	11.5 GB	Q8_0	Cómodo
228 tok/s 194–273	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.3 GB	Q4_K_M	Ajustado
212 tok/s 181–255	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	11.5 GB	Q8_0	Cómodo
212 tok/s 181–255	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	11.5 GB	Q8_0	Cómodo
212 tok/s 181–255	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	11.5 GB	Q8_0	Cómodo
212 tok/s 181–255	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	11.5 GB	Q8_0	Cómodo
212 tok/s 181–255	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	11.5 GB	Q8_0	Cómodo
162 tok/s 97–259 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	11.5 GB	Q8_0	Cómodo
162 tok/s 97–259 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	11.5 GB	Q8_0	Cómodo
135 tok/s 81–216 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	11.5 GB	Q8_0	Cómodo
132 tok/s 79–211 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	11.5 GB	Q8_0	Cómodo
129 tok/s 110–155	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	11.5 GB	Q8_0	Cómodo
129 tok/s 110–155	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	11.5 GB	Q8_0	Cómodo
129 tok/s 110–155	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	11.5 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,Peking University
Tipo de Organización: Industry,Academia
País: China
Publicado: 25 January 2024
Autores: Daya Guo, Qihao Zhu, Dejian Yang, Zhenda Xie, Kai Dong, Wentao Zhang, Guanting Chen, Xiao Bi, Y. Wu, Y.K. Li, Fuli Luo, Yingfei Xiong, Wenfeng Liang

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

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: 6.7B
Datos de entrenamiento: 2,000,000,000,000 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: 8 × 10²² FLOP
Cómo se estableció: Operation counting

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: Likely

Fuentes

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

Referencia: DeepSeek-Coder: When the Large Language Model Meets Programming -- The Rise of Code Intelligence
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan DeepSeek Coder 6.7B

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 DeepSeek Coder 6.7B

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

P102-101

Memoria necesaria

8.3 GB

Más rápido

506 tok/s

DeepSeek Coder 6.7B llega a un recuento de parámetros de 6.7B. 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: 306.

El hardware mínimo que funciona es P102-101, con una capacidad de memoria de 10 GB, ejecutándolo a una compresión de Q4_K_M y produciendo alrededor 39.7 tokens por segundo

En el otro extremo se encuentra B200, generando aproximadamente 506 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Fondo

DeepSeek Coder 6.7B fue publicado por DeepSeek,Peking University, en el país registrado como China, durante January 2024. Sale de una organización categorizada como industry,Academia.

Funciona en el dominio de Language, y se registra como realizando la tarea de code generation.

Los pesos publicados significan que el modelo se ejecuta en tu máquina en lugar de en la de alguien más, lo que hace que la pregunta sobre hardware a continuación sea respondible. En Hugging Face está publicado bajo la organización deepseek-ai.

Leyendo las cifras de rendimiento

El resultado mediano es alrededor de 37.0 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 292 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 disposición de atención está en nuestra base de datos, por lo que las cifras de VRAM se calculan exactamente en lugar de aproximarse.

Qué se necesitó para construirlo

Producirlo requirió una aritmética que totaliza alrededor de 8 × 10²² FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

El entrenamiento consumió un corpus de alrededor de 2,000,000,000,000 tokens de texto

Paso a paso

Cómo elegir una GPU para DeepSeek Coder 6.7B

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

Comienza desde la columna de memoria

Empieza desde lo que realmente necesita, que es el requerimiento de DeepSeek Coder 6.7B, necesitando alrededor 8.3 GB a una compresión de Q4_K_M. Esa cifra, no el rendimiento principal de una CARD, es lo que decide si se ejecuta.
02

Establece la longitud de contexto en la que trabajarás.

Establece el contexto a lo que realmente usarás. La caché crece con la conversación, y es la razón habitual por la que una card que parecía bien deja de fit. DeepSeek Coder 6.7B.
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 Q4_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

Clasifica por rendimiento en lugar de la hoja de especificaciones.

El ranking por tokens por segundo sigue el ancho de banda de memoria en lugar de los recuentos de núcleos, para DeepSeek Coder 6.7B. 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 506 tok/s
05

Verifica el veredicto de ajuste antes de comprar

Un ajuste apretado se ejecuta, pero no deja nada de sobra para una conversación más larga, en el caso de DeepSeek Coder 6.7B. 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

Abre la tarjeta que has elegido.

Seguir un GPU a su propia página muestra cada otro modelo que puede contener, que es la pregunta que sigue una vez que te has decidido por. DeepSeek Coder 6.7B.

Respuestas

DeepSeek Coder 6.7B — preguntas comunes

DeepSeek Coder 6.7B— ¿Cuánta VRAM necesita?

Necesita aproximadamente 8.3 GB a una compresión de Q4_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 6.7B— ¿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 Q6_K, usando alrededor 9.9 GB y generando aproximadamente 83.8 tokens por segundo. El ajuste es ajustado.

DeepSeek Coder 6.7B— ¿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 11.5 GB y generando aproximadamente 71.4 tokens por segundo. El ajuste es cómodo.

DeepSeek Coder 6.7B— ¿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 11.5 GB y generando aproximadamente 84.7 tokens por segundo. El ajuste es cómodo.

DeepSeek Coder 6.7B— ¿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.

DeepSeek Coder 6.7B— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 6.7B. 6.7B. 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 6.7B— ¿Quién lo creó?

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

DeepSeek Coder 6.7B— ¿cuándo fue lanzado?

Se publicó en January 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 6.7B— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de code generation. 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 6.7B— ¿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.

DeepSeek Coder 6.7B— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 8 × 10²² 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 6.7B— ¿Puedo ejecutarlo si no cabe en mi GPU?

Se puede dividir entre la tarjeta y la memoria del sistema, pero se genera muy lentamente de esa manera. El fallo más cercano que calculamos se queda corto por 1.1 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

DeepSeek Coder 6.7B— ¿Correrían dos GPUS más rápido?

Dos tarjetas compran memoria en lugar de velocidad, lo cual solo importa si una tarjeta no puede contenerlo. El número que puede: 306. Así que una segunda tarjeta rara vez es la respuesta aquí.

DeepSeek Coder 6.7B— ¿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: 3. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

DeepSeek Coder 6.7B— ¿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: 430–607 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 6.7B— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es P102-101, con una capacidad de memoria de 10 GB. Funciona el modelo a una compresión de Q4_K_M usando alrededor 8.3 GB, y produce aproximadamente 39.7 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 306.

DeepSeek Coder 6.7B— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 506 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: 292.

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