DeepSeek-R1-Distill-Qwen-14B calculadora TPS

Abre pesos DeepSeek 14.8B parámetros January 2025

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 · Q3_K_M · 21.0 tok/s

Tarjeta más rápida

B200

229 tok/s · 180 GB

¿Qué GPU pueden ejecutar? DeepSeek-R1-Distill-Qwen-14B?

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
229 tok/s 195–275	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	17.1 GB	Q8_0	Cómodo
229 tok/s 195–275	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	17.1 GB	Q8_0	Cómodo
183 tok/s 110–293 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	17.1 GB	Q8_0	Cómodo
183 tok/s 110–293 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	17.1 GB	Q8_0	Cómodo
146 tok/s 88–234 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	17.1 GB	Q8_0	Cómodo
140 tok/s 119–168	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	17.1 GB	Q8_0	Cómodo
140 tok/s 119–168	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	17.1 GB	Q8_0	Cómodo
134 tok/s 80–214 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	17.1 GB	Q8_0	Cómodo
120 tok/s 102–145	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.5 GB	Q3_K_M	Ajustado
119 tok/s 71–190 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	17.1 GB	Q8_0	Cómodo
119 tok/s 71–190 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	17.1 GB	Q8_0	Cómodo
119 tok/s 71–190 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	17.1 GB	Q8_0	Cómodo
113 tok/s 96–135	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	17.1 GB	Q8_0	Cómodo
96.2 tok/s 82–115	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	17.1 GB	Q8_0	Cómodo
96.2 tok/s 82–115	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	17.1 GB	Q8_0	Cómodo
96.2 tok/s 82–115	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	17.1 GB	Q8_0	Cómodo
96.2 tok/s 82–115	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	17.1 GB	Q8_0	Cómodo
96.2 tok/s 82–115	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	17.1 GB	Q8_0	Cómodo
73.2 tok/s 44–117 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	17.1 GB	Q8_0	Cómodo
73.2 tok/s 44–117 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	17.1 GB	Q8_0	Cómodo
61.0 tok/s 37–98 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	17.1 GB	Q8_0	Cómodo
60.3 tok/s 51–72	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	10.2 GB	Q4_K_M	Ajustado
60.3 tok/s 51–72	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	10.2 GB	Q4_K_M	Ajustado
59.7 tok/s 36–96 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	17.1 GB	Q8_0	Cómodo
58.7 tok/s 50–70	CMP 90HX NVIDIA	10 GB	760 GB/s	Jul 2021	8.5 GB	Q3_K_M	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: 22 January 2025
Autores: DeepSeek-AI, Daya Guo, Dejian Yang, Haowei Zhang, Junxiao Song, Ruoyu Zhang, Runxin Xu, Qihao Zhu, Shirong Ma, Peiyi Wang, Xiao Bi, Xiaokang Zhang, Xingkai Yu, Yu Wu, Z.F. Wu, Zhibin Gou, Zhihong Shao, Zhuoshu Li, Ziyi Gao, Aixin Liu, Bing Xue, Bingxuan Wang, Bochao Wu, Bei Feng, Chengda Lu, Chenggang Zhao, Chengqi Deng, Chenyu Zhang, Chong Ruan, Damai Dai, Deli Chen, Dongjie Ji, Erhang Li, Fangyu…

Lo que hace

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

Dominio: Language
Tarea: Language modeling/generation, Quantitative reasoning, Question answering, Mathematical reasoning, Code generation
Modelo base: Qwen2.5-14B

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: 14.8B
Datos de entrenamiento: 24,000,000,000 tokens
Épocas: 2

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.

Cómo se estableció: Operation counting
Computación de ajuste fino: 4.3 × 10²¹ 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 (unrestricted)
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.

Confianza de registro: Speculative

Fuentes

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

Referencia: DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan DeepSeek-R1-Distill-Qwen-14B

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-R1-Distill-Qwen-14B

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

8.5 GB

Más rápido

229 tok/s

DeepSeek-R1-Distill-Qwen-14B llega a un recuento de parámetros de 14.8B. 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 Q3_K_M y produciendo alrededor 21.0 tokens por segundo

Gama alta es B200, generando aproximadamente 229 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

De dónde vino

DeepSeek-R1-Distill-Qwen-14B fue publicado por DeepSeek, en el país registrado como China, durante January 2025. La organización editora está clasificada como industry.

Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation, Quantitative reasoning, Question answering, Mathematical reasoning, Code generation.

Se basa en Qwen2.5-14B. Esa es la forma habitual en que se produce un modelo especializado.

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 21.4 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 266 de ellos.

Es un modelo denso, por lo que cada parámetro se lee para cada token producido. Eso hace que la velocidad rastree el ancho de banda de la memoria casi exactamente: una tarjeta con el doble de ancho de banda genera aproximadamente el doble de rápido.

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

Fue entrenado en un corpus de aproximadamente 24,000,000,000 tokens de texto

Paso a paso

Cómo elegir una GPU para DeepSeek-R1-Distill-Qwen-14B

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.

La tabla enumera cada tarjeta capaz de contener DeepSeek-R1-Distill-Qwen-14B, necesitando alrededor 8.5 GB a una compresión de Q3_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-R1-Distill-Qwen-14B.
03

Decide cuánto compresión aceptarás

La columna de cuantización varía por tarjeta, porque una tarjeta más grande sostiene una copia más precisa., 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

Ordenar por velocidad para ver cómo se clasifican las tarjetas por DeepSeek-R1-Distill-Qwen-14B. 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 229 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-R1-Distill-Qwen-14B. 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

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-R1-Distill-Qwen-14B.

Respuestas

DeepSeek-R1-Distill-Qwen-14B — preguntas comunes

DeepSeek-R1-Distill-Qwen-14B— ¿cuándo fue lanzado?

Se publicó en January 2025.

DeepSeek-R1-Distill-Qwen-14B— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation, Quantitative reasoning, Question answering, Mathematical reasoning, Code generation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.

DeepSeek-R1-Distill-Qwen-14B— ¿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-R1-Distill-Qwen-14B— ¿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 3.0 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

DeepSeek-R1-Distill-Qwen-14B— ¿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-R1-Distill-Qwen-14B— ¿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: 5. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

DeepSeek-R1-Distill-Qwen-14B— ¿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: 195–275 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-R1-Distill-Qwen-14B— ¿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 Q3_K_M usando alrededor 8.5 GB, y produce aproximadamente 21.0 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 306.

DeepSeek-R1-Distill-Qwen-14B— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 229 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: 266.

DeepSeek-R1-Distill-Qwen-14B— ¿Cuánta VRAM necesita?

Necesita aproximadamente 8.5 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-R1-Distill-Qwen-14B— ¿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 Q4_K_M, usando alrededor 10.2 GB y generando aproximadamente 60.3 tokens por segundo. El ajuste es ajustado.

DeepSeek-R1-Distill-Qwen-14B— ¿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 Q6_K, usando alrededor 13.7 GB y generando aproximadamente 47.0 tokens por segundo. El ajuste es ajustado.

DeepSeek-R1-Distill-Qwen-14B— ¿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 17.1 GB y generando aproximadamente 38.4 tokens por segundo. El ajuste es cómodo.

DeepSeek-R1-Distill-Qwen-14B— ¿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-R1-Distill-Qwen-14B— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 14.8B. 14.8B (safetensors). 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-R1-Distill-Qwen-14B— ¿Quién lo creó?

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

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