DeepSeek Coder 33B calculateur TPS

Ouvrir les poids DeepSeek,Peking University 33B paramètres January 2024

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

132 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

RTX A4500

20 GB · Q3_K_M · 22.2 tok/s

Carte la plus rapide

B200

103 tok/s · 180 GB

Quelles GPU peuvent exécuter DeepSeek Coder 33B?

Définir les entrées, lire la réponse

Longueur de contexte jetons

Une conversation plus longue nécessite plus de mémoire, ce qui peut pousser ce modèle hors des cartes plus petites..

Qualité minimale

Cache des cartes qui ne conviendraient qu'au modèle en le compressant en dessous de ce point..

Recherche de cartes

Mémoire de carte

Montrez aussi les cartes qui ne peuvent pas le faire.

132 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
103 tok/s 87–123	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	35.9 GB	Q8_0	Confortable
103 tok/s 87–123	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	35.9 GB	Q8_0	Confortable
82.0 tok/s 49–131 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	35.9 GB	Q8_0	Confortable
82.0 tok/s 49–131 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	35.9 GB	Q8_0	Confortable
65.6 tok/s 39–105 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	35.9 GB	Q8_0	Confortable
62.8 tok/s 53–75	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	35.9 GB	Q8_0	Confortable
62.8 tok/s 53–75	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	35.9 GB	Q8_0	Confortable
60.1 tok/s 36–96 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	35.9 GB	Q8_0	Confortable
53.3 tok/s 32–85 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	35.9 GB	Q8_0	Confortable
53.3 tok/s 32–85 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	35.9 GB	Q8_0	Confortable
53.3 tok/s 32–85 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	35.9 GB	Q8_0	Confortable
50.6 tok/s 43–61	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	35.9 GB	Q8_0	Confortable
43.1 tok/s 37–52	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	35.9 GB	Q8_0	Confortable
43.1 tok/s 37–52	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	35.9 GB	Q8_0	Confortable
43.1 tok/s 37–52	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	35.9 GB	Q8_0	Confortable
43.1 tok/s 37–52	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	35.9 GB	Q8_0	Confortable
43.1 tok/s 37–52	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	35.9 GB	Q8_0	Confortable
39.7 tok/s 34–48	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	20.5 GB	Q4_K_M	À l'étroit
36.2 tok/s 31–43	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	20.5 GB	Q4_K_M	À l'étroit
34.9 tok/s 30–42	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	28.2 GB	Q6_K	À l'étroit
34.9 tok/s 30–42	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	28.2 GB	Q6_K	À l'étroit
33.4 tok/s 28–40	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	28.2 GB	Q6_K	À l'étroit
33.4 tok/s 28–40	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	28.2 GB	Q6_K	À l'étroit
32.8 tok/s 20–53 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	35.9 GB	Q8_0	Confortable
32.8 tok/s 20–53 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	35.9 GB	Q8_0	Confortable

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,Peking University
Type d'organisation: Industry,Academia
Pays: China
Publié: 25 January 2024
Auteurs: 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

Ce qu'il fait

Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.

Domaine: Language
Tâche: Code generation

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: 33B
Données d'entraînement: 2,000,000,000,000 tokens

Calcul de formation

L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.

Calcul de formation: 4 × 10²³ FLOP
Comment cela a été établi: Operation counting

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 (restricted use)
Code d'entraînement: Unreleased
Hugging Face: deepseek-ai

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.

Probablement au-dessus de 10²³ FLOP: Yes
Confiance d'enregistrement: Likely

Sources

D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.

Référence: DeepSeek-Coder: When the Large Language Model Meets Programming -- The Rise of Code Intelligence
Dernière mise à jour: 28 November 2025

Les extrêmes

Les dix GPU les plus rapides qui exécutent DeepSeek Coder 33B

Classé par tokens par seconde estimés, la carte la plus récente en premier lorsque les vitesses se rejoignent. Étant donné que la génération est limitée par la bande passante de la mémoire, cet ordre suit la bande passante plutôt que tout indice de jeu..

Les plus petits GPU qui fonctionnent encore DeepSeek Coder 33B

Le chemin le moins cher, par capacité de mémoire. Un ajustement serré exécute le modèle mais ne laisse rien de libre pour une conversation plus longue..

Ce que les chiffres signifient

Le côté matériel

Carte minimale

RTX A4500

Mémoire requise

16.7 GB

Le plus rapide

103 tok/s

DeepSeek Coder 33B atteint un nombre de paramètres de 33B. Cela se situe dans la gamme qu'une carte de bureau sérieuse peut gérer une fois les poids compressés. Le nombre de cartes que nous suivons qui peuvent l'exécuter : 132.

À l'extrémité inférieure, cela est géré par RTX A4500, avec une capacité de mémoire de 20 GB, le faisant fonctionner à une compression de Q3_K_M et produisant environ 22.2 tokens par seconde

Le résultat le plus rapide vient de B200, générant à peu près 103 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Contexte

DeepSeek Coder 33B a été publié par DeepSeek,Peking University, dans le pays enregistré comme China, durant January 2024. La catégorie à laquelle appartient l'éditeur est industry,Academia.

Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de code generation.

Les poids étant ouverts, c'est ce qui place cette page dans le calculateur plutôt que seulement dans le catalogue : c'est un modèle que vous pouvez réellement tenir. Sur Hugging Face, il est publié sous l'organisation deepseek-ai.

Lire les chiffres de débit

La moitié des cartes qui le détiennent gèrent plus de 20.0 tokens par seconde. Dépassement direct de la vitesse de lecture. 101 d'eux

Étant dense, il lit tout de lui-même par jeton, c'est pourquoi le classement par vitesse ci-dessous suit de si près le classement par bande passante mémoire.

Parce que l'architecture est enregistrée, la colonne de mémoire est dérivée plutôt qu'estimée.

Qu'est-ce qui a été nécessaire pour le construire

La production a nécessité des calculs totalisant environ 4 × 10²³ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.

Il a été entraîné sur un corpus d'environ 2,000,000,000,000 jetons de texte

Étape par étape

Comment choisir un GPU pour DeepSeek Coder 33B

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

Vérifiez ce dont cela a besoin avant toute autre chose

Commencez par ce dont il a réellement besoin, c'est-à-dire l'exigence de DeepSeek Coder 33B, ayant besoin d'environ 16.7 GB à une compression de Q3_K_M. La capacité est la porte — une carte soit la détient soit ne la détient pas.
02

Définissez la LONGUEUR DE CONTEXTE à laquelle vous travaillerez.

La conversation occupe aussi de la mémoire et grandit au fur et à mesure. Réglez le curseur sur la longueur que vous attendez, car avec un long CONTEXTE, une CARTE qui gère facilement les courtes questions peut être abandonnée par. DeepSeek Coder 33B.
03

Décidez combien de compression vous allez accepter

La colonne de quantification varie selon la carte, car une plus grande carte contient une copie plus précise., atteignant une compression de Q3_K_M sur la plus petite carte qui convient. 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

Trier par vitesse

Trier par vitesse pour voir comment les cartes se classent pour DeepSeek Coder 33B. Il ne s'alignera pas sur une commande de jeu, car la génération est limitée par la bande passante de la mémoire. La carte en tête de liste est B200, à 103 tok/s
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 DeepSeek Coder 33B. 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

Vérifiez la carte de l'autre côté

Chaque nom de carte renvoie à sa propre page, qui effectue le même calcul dans l'ensemble du catalogue de modèles. Une carte est généralement achetée pour plus d'un modèle, il est donc utile de jeter un œil avant d'acheter pour DeepSeek Coder 33B.

Réponses

DeepSeek Coder 33B — questions courantes

DeepSeek Coder 33B— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 103 tokens par seconde; le plus lent qui fonctionne encore gère considérablement moins. La vitesse de lecture est d'environ dix tokens par seconde, et le nombre de cartes qui réussissent cela : 101.

DeepSeek Coder 33B— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 16.7 GB à une compression de Q3_K_M, laquelle est la plus petite carte qui l'exécute. Moins de compression nécessite plus : les chiffres dans la colonne mémoire ci-dessus sont recalculés pour chaque carte, car chacune détient la version la moins compressée qu'elle peut.

DeepSeek Coder 33B— Puis-je l'exécuter sur un GPU détenant 24 GB ?

Oui. La carte GeForce RTX 5090 D V2, tenue 24 GB, l'exécute à une compression de Q4_K_M, environ 20.5 GO et générant à peu près 39.7 tokens par seconde. L'ajustement est serré.

DeepSeek Coder 33B— 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.

DeepSeek Coder 33B— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 33B. 33B. 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.

DeepSeek Coder 33B— qui l'a créé ?

Il a été publié par DeepSeek,Peking University, basé sur China, une organisation catégorisée comme industry,Academia.

DeepSeek Coder 33B— quand a-t-il été publié ?

Il a été publié dans January 2024. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.

DeepSeek Coder 33B— à quoi ça sert ?

Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de code generation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.

DeepSeek Coder 33B— où puis-je le télécharger ?

Ses poids sont publiés sur Hugging Face, sous l'organisation deepseek-ai. Nous n'hébergeons pas de fichiers de modèle — ce site calcule le matériel nécessaire pour les faire fonctionner.

DeepSeek Coder 33B— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 4 × 10²³ FLOP. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.

DeepSeek Coder 33B— Puis-je l'exécuter s'il ne tient pas dans ma GPU?

Seulement en déchargeant, ce qui est généralement une fausse économie : la partie maintenue en mémoire système tire l'ensemble vers le bas. La plus proche approximation que nous calculons est inférieure de 6.1 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

DeepSeek Coder 33B— 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 : 132. Ainsi, une seconde carte est rarement la réponse ici.

DeepSeek Coder 33B— pourquoi la quantification diffère-t-elle entre les cartes ?

Parce que la capacité varie, il en va de même pour la difficulté à être comprimé. Le nombre de niveaux distincts dans le tableau ci-dessus : 5. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

DeepSeek Coder 33B— quelle est la précision de ces estimations de vitesse ?

Ils sont calculés à partir des spécifications plutôt que mesurés, et chacun a une plage. Un exemple : 87–123 tok/s sur B200. Le même modèle et carte varient de trente à cinquante pour cent en fonction du logiciel d'inférence et de sa version.

DeepSeek Coder 33B— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est RTX A4500, avec une capacité de mémoire de 20 GB. Il exécute le modèle à une compression de Q3_K_M environ 16.7 GB, et produit environ 22.2 tous les GPU capables de l'exécuter en total 132.

Source

Publication originale

Dernière mise à jour enregistrée 28 November 2025

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.

Tous les modèles AI