DeepSeekMath-V2 calculateur TPS
Chaque carte ci-dessous est évaluée par rapport à ce modèle à la longueur de contexte et à la qualité minimale que vous choisissez. La vitesse est une estimation pour une demande unique, calculée à partir de la bande passante mémoire de la carte et de la taille du modèle une fois compressé..
Calculé pour ce modèle
818 cartes dont nous détenons les spécifications pour
Quelles GPU peuvent exécuter DeepSeekMath-V2?
Définir les entrées, lire la réponse
Une conversation plus longue nécessite plus de mémoire, ce qui peut pousser ce modèle hors des cartes plus petites..
Cache des cartes qui ne conviendraient qu'au modèle en le compressant en dessous de ce point..
0 cartes correspondent
Calcul en cours| Besoin | Quantification | Convient | |||||
|---|---|---|---|---|---|---|---|
|
Aucune carte dans notre catalogue ne peut exécuter ce modèle avec ces paramètres.. |
|||||||
Les vitesses sont des estimations pour une seule demande — une conversation à la fois — calculées à partir de la bande passante de la mémoire, de la taille du modèle et de la quantification. Le débit réel varie avec le temps d'exécution d'inférence et sa version. Les chiffres publiés par les fournisseurs de matériel mesurent de nombreuses demandes simultanées et sont beaucoup plus élevés..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- DeepSeek
- Type d'organisation
- Industry
- Pays
- China
- Publié
- 27 November 2025
- Auteurs
- Zhihong Shao, Yuxiang Luo, Chengda Lu, Z. Z. Ren, Jiewen Hu, Tian Ye, Zhibin Gou, Shirong Ma, Xiaokang Zhang
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Mathematical reasoning, Theorem proving, Proof generation, Proof verification
- Modèle de base
- DeepSeek-V3.2-Exp-Base
- Format numérique
- FP8
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 685B
- Données d'entraînement
- tokens
HF lists 685B params. Built on top of DeepSeek-V3.2-Exp-Base
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Open — downloadable
- Accès au modèle
- Open weights (unrestricted)
- Code d'entraînement
- Unreleased
Weights + model card: https://huggingface.co/deepseek-ai/DeepSeek-Math-V2 (Apache-2.0). Inference support referenced to https://github.com/deepseek-ai/DeepSeek-V3.2-Exp.
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Confident
Reported gold-level performance on IMO 2025/CMO 2024 and ~118/120 on Putnam 2024 with scaled test-time compute.
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- DeepSeekMath-V2: Towards Self-Verifiable Mathematical Reasoning
- Dernière mise à jour
- 15 January 2026
Ce que les chiffres signifient
Exigences matérielles en pratique
DeepSeekMath-V2 atteint un nombre de paramètres de 685B. Cela dépasse ce que peut contenir une seule carte graphique. L'exécuter signifie soit le répartir entre plusieurs cartes, soit louer du matériel conçu pour cela, et chaque carte capable de le contenir seule est une pièce de datacenter. Le nombre qui peut : 0.
D'où cela vient-il
DeepSeekMath-V2 a été publié par DeepSeek, dans le pays enregistré comme China, durant November 2025. La catégorie à laquelle appartient l'éditeur est industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de mathematical reasoning, Theorem proving, Proof generation, Proof verification.
Son point de départ était un modèle de base existant, DeepSeek-V3.2-Exp-Base. C'est la façon habituelle de produire un modèle spécialisé.
Parce que ses poids ont été publiés, rien sur son exécution ne dépend d'un fournisseur restant disponible — il est à vous une fois téléchargé.
Qu'est-ce qui a été nécessaire pour le construire
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : sOTA improvement.
Étape par étape
Comment choisir un GPU pour DeepSeekMath-V2
Le tableau ci-dessus a déjà évalué chaque carte pour laquelle nous avons des spécifications par rapport à ce modèle. Obtenir votre réponse prend six étapes..
-
01
Commencez par la colonne mémoire
Chaque carte ici a été vérifiée contre DeepSeekMath-V2. Cette figure, pas la performance principale d'une carte, est ce qui décide si elle fonctionne.
-
02
Définissez la LONGUEUR DE CONTEXTE à laquelle vous travaillerez.
Définissez le contexte de ce que vous allez réellement utiliser. Le cache augmente avec la conversation, et c'est la raison habituelle pour laquelle une carte qui semblait convenir cesse de s'adapter. DeepSeekMath-V2.
-
03
Choisissez jusqu'où vous allez le compresser
Chaque carte exécute la copie la moins compressée qu'elle peut contenir.. Fixer une qualité minimale élimine les cartes qui ne parviennent à l'atteindre qu'en exerçant une pression plus forte que vous ne le souhaiteriez, et maintient la comparaison à un niveau.
-
04
Comparez les tokens par seconde, pas les spécifications.
La commande de vitesse est effectivement un classement par bande passante mémoire, pour DeepSeekMath-V2. Il ne s'alignera pas sur une commande de jeu, car la génération est limitée par la bande passante de la mémoire.
-
05
Vérifiez le verdict de compatibilité avant d'acheter
La colonne d'adéquation sépare les cartes qui y parviennent juste de celles qui ont de la marge, dans le cas de DeepSeekMath-V2. Confortable signifie que vous pouvez augmenter le contexte plus tard. Cette différence compte plus que quelques tokens par seconde, donc achetez pour confortable si vous vous attendez à cela.
-
06
Voir ce que cette carte exécute d'autre.
Chaque page de carte répète ce balayage pour chaque modèle que nous détenons, répondant à ce que le matériel peut faire d'autre au-delà de DeepSeekMath-V2.
Réponses
DeepSeekMath-V2 — questions courantes
DeepSeekMath-V2— quelle est la précision de ces estimations de vitesse ?
Chaque chiffre est dérivé de la bande passante de la mémoire et de la taille du modèle, non vérifié par des tests, c'est pourquoi chacun est publié sous forme d'une plage plutôt que d'un nombre unique. Un exemple : la plage sous chaque chiffre. Le même modèle et carte varient de trente à cinquante pour cent en fonction du logiciel d'inférence et de sa version.
DeepSeekMath-V2— est-ce que c'est open source ?
Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.
DeepSeekMath-V2— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 685B. HF lists 685B params. Built on top of DeepSeek-V3.2-Exp-Base. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
DeepSeekMath-V2— qui l'a créé ?
Il a été publié par DeepSeek, basé sur China, une organisation catégorisée comme industry.
DeepSeekMath-V2— quand a-t-il été publié ?
Il a été publié dans November 2025.
DeepSeekMath-V2— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de mathematical reasoning, Theorem proving, Proof generation, Proof verification. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
DeepSeekMath-V2— où puis-je le télécharger ?
Les poids sont publiés, bien que nous ne possédions pas de lien vers un dépôt pour cela. Ce site calcule les exigences matérielles plutôt que d'héberger des fichiers de modèle.
DeepSeekMath-V2— Puis-je l'exécuter s'il ne tient pas dans ma GPU?
Partiellement. Les couches qui ne tiennent pas sont dans la mémoire système et fonctionnent à une fraction de la vitesse, donc un modèle principalement déchargé vaut rarement la peine d'être utilisé. La plus proche approximation que nous calculons est inférieure de 155.9 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.
DeepSeekMath-V2— deux GPUs l'exécuteraient-ils plus rapidement ?
La capacité s'additionne entre les cartes ; le débit ne le fait pas. Le nombre de cartes déjà capables de le garder par elles-mêmes : 0. Ainsi, une seconde carte est rarement la réponse ici.
DeepSeekMath-V2— pourquoi la quantification diffère-t-elle entre les cartes ?
Une carte plus grande contient une copie plus précise. Le nombre de niveaux de compression utilisés sur les cartes qui l'exécutent : 1. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.