DeepSeek-V3 calcolatore TPS
Ogni scheda sottostante è valutata rispetto a questo modello alla lunghezza di contesto e alla qualità minima che scegli. La velocità è una stima per una singola richiesta, calcolata dalla larghezza di banda della memoria della scheda e dalla dimensione del modello una volta compresso..
Calcolato per questo modello
818 schede per cui abbiamo specifiche
Quali GPU possono eseguire DeepSeek-V3?
Imposta gli input, leggi la risposta
Una conversazione più lunga richiede più MEMORY, il che può spingere questo modello fuori da schede più piccole..
Nasconde le schede che si adatterebbero solo al modello comprimendolo al di sotto di questo punto..
0 schede corrispondono
Calcolo| Ha bisogno | Quantizzazione | Adatto | |||||
|---|---|---|---|---|---|---|---|
|
Nessuna scheda nel nostro catalogo può eseguire questo modello con queste impostazioni.. |
|||||||
Le velocità sono stime per una singola richiesta — una conversazione alla volta — calcolate dalla larghezza di banda della memoria, dalla dimensione del modello e dalla quantizzazione. Il throughput reale varia con il runtime di inferenza e la sua versione. I valori pubblicati dai fornitori di hardware misurano molte richieste simultanee e sono molto più elevati..
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- DeepSeek
- Tipo di organizzazione
- Industry
- Paese
- China
- Pubblicato
- 24 December 2024
- Autori
- DeepSeek-AI, Aixin Liu, Bei Feng, Bing Xue, Bingxuan Wang, Bochao Wu, Chengda Lu, Chenggang Zhao, Chengqi Deng, Chenyu Zhang, Chong Ruan, Damai Dai, Daya Guo, Dejian Yang, Deli Chen, Dongjie Ji, Erhang Li, Fangyun Lin, Fucong Dai, Fuli Luo, Guangbo Hao, Guanting Chen, Guowei Li, H. Zhang, Han Bao, Hanwei Xu, Haocheng Wang, Haowei Zhang, Honghui Ding, Huajian Xin, Huazuo Gao, Hui Li, Hui Qu, J.L. C…
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling/generation, Code generation, Quantitative reasoning, Question answering
- Formato numerico
- FP8
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 671B
- Dati di addestramento
- 14,800,000,000,000 tokens
- Dimensione del Batch
- 62,914,560
Mixture-of-Experts (MoE) language model with 671B total parameters with 37B activated for each token.
"We pre-train DeepSeek-V3 on 14.8 trillion diverse and high-quality tokens, followed by Supervised Fine-Tuning and Reinforcement Learning stages to fully harness its capabilities"
15360 * 4096
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 3.3 × 10²⁴ FLOP
- Come è stato stabilito
- Operation counting,Hardware
6 × 37B × 14.8T = 3.29e24 pretraining FLOPs, 1e22 posttrainining FLOPs - see doc below https://docs.google.com/document/d/1C4zBvHh4UNnzaorwQSdG61zQJsBV9X3i3A70NeelxHY/edit?usp=sharing
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA H800 SXM5
- Chip utilizzati
- 2,048
- Chip-ore
- 2,788,000
- Utilizzo dell'hardware
- MFU 19.5%
- Consumo energetico
- 2.8 MW
- Costo di calcolo
- $5,390,000
- Centro dati
- Paper on DeepSeek-V3
Table 4: Training metric comparison "Causal MFU only takes into account the flops of the lower triangle of the attention matrix (in line with FlashAttention), while non-causal MFU includes the flops of the whole attention matrix (in line with Megatron)" TFLOPS (causal) = 385 H800 maximum FP8 performance = 1979 TFLOPS therefore MFU = 385/1979 = 0.1947
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Open — downloadable
- Accesso al modello
- Open weights (restricted use)
- Codice di addestramento
- Unreleased
- Hugging Face
- deepseek-ai
MIT and deepseek license https://github.com/deepseek-ai/DeepSeek-V3?tab=readme-ov-file I cannot see training code in this repo https://github.com/deepseek-ai/DeepSeek-V3?tab=readme-ov-file
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Probabilmente sopra 10²³ FLOP
- Yes
- Perché è monitorato
- Training cost
- Record fiducia
- Confident
training cost was $5.3million USD (Table 1)
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- DeepSeek-V3 Technical Report
- Ultimo aggiornamento
- 19 February 2026
Cosa significano i numeri
Cosa serve per eseguire questo modello
DeepSeek-V3 raggiunge un conteggio di parametri di 671B. Questo è oltre ciò che qualsiasi singola scheda grafica può contenere. Eseguire questo significa o suddividerlo tra più schede o noleggiare hardware progettato per il lavoro, e ogni scheda in grado di contenerlo da sola è un componente da datacenter. Il numero che può: 0.
Da dove è venuto
DeepSeek-V3 è stato pubblicato da DeepSeek, nel paese registrato come China, durante December 2024. Esce da un'organizzazione categorizzata come industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation, Code generation, Quantitative reasoning, Question answering.
I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere. Su Hugging Face è pubblicato sotto l'organizzazione deepseek-ai.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 3.3 × 10²⁴ FLOP, su hardware registrato come NVIDIA H800 SXM5. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 14,800,000,000,000 token di testo
Il suo criterio di inclusione: training cost.
Passo dopo passo
Come scegliere una GPU per DeepSeek-V3
La tabella sopra ha già valutato ogni card di cui possediamo le specifiche rispetto a questo modello. Arrivare alla tua risposta richiede sei passaggi..
-
01
Controlla cosa serve prima di ogni altra cosa
Ogni card qui è stata controllata contro DeepSeek-V3. La Capacità è il cancello — una card o la tiene o non la tiene.
-
02
Corrispondi il contesto al tuo utilizzo attuale
Imposta il contesto su ciò che utilizzerai effettivamente. La cache cresce con la conversazione, ed è il motivo consueto per cui una card che sembrava a posto smette di adattarsi. DeepSeek-V3.
-
03
Scegli quanto lontano lo comprimerai
Ogni card esegue la copia meno compressa che può contenere.. Impostare una qualità minima elimina le schede che riescono a gestirla solo spremendo oltre quanto desiderato e mantiene il confronto a un livello.
-
04
Ordina per throughput piuttosto che per specifiche.
Ordina per velocità per vedere come si classificano le schede per DeepSeek-V3. Non si adatterà a un'ordinazione da gaming, perché la generazione è vincolata dalla larghezza di banda della memoria.
-
05
Controlla il giudizio di compatibilità prima di acquistare
Tight significa che si carica e funziona senza spazio per aumentare il context length in caso di DeepSeek-V3. Comfortable significa che puoi espandere il contesto in seguito. Quella differenza conta più di pochi token al secondo, quindi acquista per comfortable se ti aspetti di farlo.
-
06
Vedi cos'altro che questa card esegue
Seguire una GPU attraverso la sua pagina mostra ogni altro modello che può contenere, che è la domanda che segue una volta che hai deciso su DeepSeek-V3.
Risposte
DeepSeek-V3 — domande comuni
DeepSeek-V3— chi l'ha creato?
È stato pubblicato da DeepSeek, basato su China, un'organizzazione categorizzata come industry.
DeepSeek-V3— quando è stato rilasciato?
È stato pubblicato in December 2024. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
DeepSeek-V3— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation, Code generation, Quantitative reasoning, Question answering. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
DeepSeek-V3— Dove posso scaricarlo?
I suoi pesi sono pubblicati su Hugging Face, sotto l'organizzazione deepseek-ai. Non ospitiamo file di modelli — questo sito calcola quale hardware è necessario per eseguirli.
DeepSeek-V3— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.3 × 10²⁴ FLOP, su hardware registrato come NVIDIA H800 SXM5. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
DeepSeek-V3— posso eseguirlo se non si adatta nella mia GPU?
Solo scaricando, che di solito è una falsa economia: la parte tenuta in SYSTEM MEMORY rallenta tutto. La più vicina mancata che calcoliamo risulta insufficiente di 147.5 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.
DeepSeek-V3— due GPU lo farebbero andare più veloce?
La capacità si somma tra le schede; il throughput no. Il numero di schede che già la possiedono da sole: 0. Quindi una seconda CARD è raramente la risposta qui.
DeepSeek-V3— perché la quantizzazione differisce tra le schede?
Ogni card è mostrata mentre esegue la copia meno compressa che può contenere. Il numero di livelli di compressione distinti tra le card che si adattano: 1. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.
DeepSeek-V3— quanto sono accurate queste stime di velocità?
Ogni cifra è derivata dalla larghezza di banda della memoria e dalle dimensioni del modello, non calibrata, motivo per cui ognuna è pubblicata come un intervallo anziché come un singolo numero. Un esempio: la gamma sotto ogni cifra. Lo stesso modello e scheda variano tra il trenta e il cinquanta per cento a seconda del software di inferenza e della sua versione.
DeepSeek-V3— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
DeepSeek-V3— quanti parametri ha?
Ha un numero di parametri di 671B. Mixture-of-Experts (MoE) language model with 671B total parameters with 37B activated for each token. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.