DeepSeek-V2.5 TPS-rekenmachine

Open gewichten DeepSeek 236B parameters September 2024

Elke kaart hieronder wordt beoordeeld op basis van dit model met de contextlengte en minimale kwaliteit die je kiest. Snelheid is een schatting voor een enkele aanvraag, berekend op basis van de geheugendoorvoer van de kaart en de grootte van het model eenmaal gecomprimeerd..

Bereken voor dit model

17 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Radeon Instinct MI250

128 GB · Q3_K_M · 68.8 tok/s

Snelste kaart

B200

142 tok/s · 180 GB

Welke GPU's kunnen draaien DeepSeek-V2.5?

Stel de invoer in, lees het antwoord

Contextlengte tokens

Een langere conversatie heeft meer geheugen nodig, wat dit model van kleinere kaarten kan duwen..

Minimale kwaliteit

Verbergt kaarten die alleen in het model passen door het onder dit punt te comprimeren.

Zoek kaarten

Kaartgeheugen

Toon ook kaarten die het niet kunnen draaien

17 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
142 tok/s 85–228 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	157.4 GB	Q5_K_M	Krap
137 tok/s 82–220 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	102.5 GB	Q3_K_M	Krap
120 tok/s 72–192 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	116.2 GB	IQ4_XS	Krap
120 tok/s 72–192 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	116.2 GB	IQ4_XS	Krap
112 tok/s 67–179 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	102.5 GB	Q3_K_M	Krap
79.8 tok/s 48–128 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	239.9 GB	Q8_0	Krap
74.0 tok/s 44–118 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	157.4 GB	Q5_K_M	Krap
74.0 tok/s 44–118 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	157.4 GB	Q5_K_M	Krap
68.8 tok/s 41–110 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	102.5 GB	Q3_K_M	Krap
68.8 tok/s 41–110 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	102.5 GB	Q3_K_M	Krap
67.8 tok/s 41–108 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	184.9 GB	Q6_K	Comfortabel
63.7 tok/s 38–102 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	239.9 GB	Q8_0	Krap
63.7 tok/s 38–102 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	239.9 GB	Q8_0	Krap
57.4 tok/s 34–92 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	102.5 GB	Q3_K_M	Krap
56.1 tok/s 34–90 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	102.5 GB	Q3_K_M	Krap
7.4 tok/s 4–12 · lage vertrouwen	GB10 NVIDIA	128 GB	273 GB/s	Oct 2025	102.5 GB	Q3_K_M	Krap
7.4 tok/s 4–12 · lage vertrouwen	Jetson T5000 NVIDIA	128 GB	273 GB/s	Aug 2025	102.5 GB	Q3_K_M	Krap

Snelheden zijn schattingen voor een enkele aanvraag — één gesprek tegelijk — berekend vanuit geheugendebandbreedte, modelgrootte en kwantisatie. De werkelijke doorvoer varieert met de inferentietijd en de versie ervan. Cijfers gepubliceerd door hardwareleveranciers meten veel gelijktijdige aanvragen en zijn veel hoger.

Op record

Volledige specificatie

Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..

Oorsprong

Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.

Organisatie: DeepSeek
Organisatietype: Industry
Land: China
Gepubliceerd: 6 September 2024
Auteurs: DeepSeek-AI, Aixin Liu, Bei Feng, Bin Wang, Bingxuan Wang, Bo Liu, Chenggang Zhao, Chengqi Dengr, Chong Ruan, Damai Dai, Daya Guo, Dejian Yang, Deli Chen, Dongjie Ji, Erhang Li, Fangyun Lin, Fuli Luo, Guangbo Hao, Guanting Chen, Guowei Li, H. Zhang, Hanwei Xu, Hao Yang, Haowei Zhang, Honghui Ding, Huajian Xin, Huazuo Gao, Hui Li, Hui Qu, J.L. Cai, Jian Liang, Jianzhong Guo, Jiaqi Ni, Jiashi Li, Ji…

Wat het doet

De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.

Domein: Language
Taak: Language modeling/generation, Chat, Code generation
Aanpak: Self-supervised learning

Grootte

Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.

parameters: 236B
Training gegevens: tokens
Batchgrootte: 36,864,000

Training rekenen

De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.

Training rekenen: 1.8 × 10²⁴ FLOP
Hoe het werd opgericht: Operation counting

De trainingsrun

Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.

Datacenter: There is no paper to reference, no information about hardware used for training found in media.

Beschikbaarheid

Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.

Gewichten: Open — downloadable
Toegang tot model: Open weights (restricted use)
Training code: Unreleased
Hugging Face: deepseek-ai

Hoe het is geclassificeerd

Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.

Waarschijnlijk boven de 10²³ FLOP: Yes
Waarom het wordt gevolgd: Training cost
Record vertrouwen: Confident

Bronnen

Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.

Referentie: DeepSeek-V2.5
Laatst bijgewerkt: 19 February 2026

De extremen

De tien snelste GPU's die draaien DeepSeek-V2.5

Gerangschikt op geschatte tokens per seconde, nieuwste kaart eerst waar snelheden gelijk zijn. Omdat generatie gebonden is aan geheugensnelheid, volgt deze ordening de snelheid in plaats van een gamebenchmark..

De kleinste GPU's die nog steeds draaien DeepSeek-V2.5

De goedkoopste route erin, op basis van geheugencapaciteit. Een krappe pasvorm draait het model maar laat niets over voor een langer gesprek..

Wat de cijfers betekenen

Wat nodig is om dit model te draaien

Minimum kaart

Radeon Instinct MI250

Geheugen nodig

102.5 GB

Snelste

142 tok/s

DeepSeek-V2.5 bereikt een parameter telling van 236B. Dat is meer dan wat enige enkele grafische kaart bevat. Het draaien ervan betekent ofwel het splitsen over meerdere kaarten of het huren van hardware die voor de klus is gebouwd, en elke kaart die het alleen kan vasthouden, is een datacenteronderdeel. Het aantal dat kan: 17.

De kleinste kaart die het vasthoudt is Radeon Instinct MI250, met een geheugen capaciteit van 128 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 68.8 tokens per seconde

Aan de andere kant zit B200, genereren ongeveer 142 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Waar het vandaan kwam

DeepSeek-V2.5 werd gepubliceerd door DeepSeek, in het land geregistreerd als China, tijdens September 2024. De categorie waaronder de uitgever valt is industry.

Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Chat, Code generation.

De gewichten zijn gepubliceerd, zodat ze gedownload en onbeperkt, offline, op je eigen hardware kunnen worden uitgevoerd, zonder dat er een account aan verbonden is. Op Hugging Face is het gepubliceerd onder de organisatie deepseek-ai.

Begrijpen van de snelheden

De mediaanresultaat is rond 68.8 tokens per second. Outright de leessnelheid overschrijden. 15 van hen

Omdat het elk token door een subset van zijn weights leidt, produceert het tekst met de snelheid van een veel kleiner model. De catch is MEMORY: alles moet nog steeds passen, dus de snelheid is een bonus in plaats van een korting op hardware.

De interne architectuur is niet gedocumenteerd, dus het geheugen wordt geschat op basis van het aantal parameters en dienovereenkomstig gemarkeerd. Verwacht dat de werkelijke waarde verschilt, vooral bij lange context.

Hoe het getraind werd

Het produceren ervan vereiste een rekenkundige totaal van ongeveer 1.8 × 10²⁴ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

Het wordt gevolgd in de onderliggende dataset om één specifieke reden: training cost.

Stap voor stap

Hoe een GPU te kiezen voor DeepSeek-V2.5

De tabel hierboven heeft elke kaart die we specificaties voor hebben al vergeleken met dit model. Het bereiken van uw antwoord kost zes stappen..

01

Controleer wat het nodig heeft voordat iets anders.

Elke kaart hier is gecontroleerd op DeepSeek-V2.5, ongeveer nodig 102.5 GB bij een compressie van Q3_K_M. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.
02

Stem de context af op uw werkelijke gebruik

Stel de context in op wat je daadwerkelijk gaat gebruiken. De cache groeit met het gesprek, en het is de gebruikelijke reden dat een CARD die in eerste instantie prima leek, niet meer past. DeepSeek-V2.5.
03

Stel een kwaliteitsvloer in

Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden., bereiken van een compressie van Q3_K_M op de kleinste kaart die past. Het instellen van een minimumkwaliteit laat de kaarten vallen die het alleen maar beheersen door verder te persen dan je zou willen, en houdt de vergelijking op één niveau.
04

Rangschik op doorvoer in plaats van specificatielijst

De snelheid volgorde is effectief een volgorde op basis van GPU VRAM. DeepSeek-V2.5. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 142 tok/s
05

Lees de passen kolom laatst

De fit-kolom scheidt kaarten die het net halen van die met ruimte over, in het geval van DeepSeek-V2.5. Comfortabel betekent dat je de context later kunt vergroten. Dat verschil is belangrijker dan een paar tokens per seconde, dus koop voor comfortabel als je dat verwacht.
06

Open de kaart die je hebt gekozen.

Het volgen van een GPU-kaart naar zijn eigen pagina toont elk ander model dat het kan bevatten, wat de vraag is die volgt zodra je je hebt ingesteld op DeepSeek-V2.5.

Antwoorden

DeepSeek-V2.5 — veelgestelde vragen

DeepSeek-V2.5— Zouden twee GPU's het sneller draaien?

Capaciteit voegt samen over kaarten; doorvoer niet. Het aantal kaarten dat het al op zichzelf vasthoudt: 17. Dus een tweede card is zelden het antwoord hier.

DeepSeek-V2.5— waarom verschilt de quantisatie tussen kaarten?

Een grotere CARD houdt een nauwkeuriger kopie. Het aantal compressieniveaus dat gebruikt wordt op de CARDS die het draaien: 5. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

DeepSeek-V2.5— hoe nauwkeurig zijn deze snelheidsschattingen?

Elke waarde is afgeleid van het geheugenbandbreedte en de modelgrootte, niet geverifieerd, wat de reden is dat elke waarde als een bereik in plaats van een enkel getal wordt gepubliceerd. Eén voorbeeld: 85–228 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

DeepSeek-V2.5— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is Radeon Instinct MI250, met een geheugen capaciteit van 128 GB. Het draait het model op een compressie van Q3_K_M ongeveer 102.5 GB, en produceert ongeveer 68.8 tokens per second. Het aantal kaarten dat het totaal kan draaien: 17.

DeepSeek-V2.5— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 142 tokens per seconde; de langzaamste die het nog steeds draait haalt aanzienlijk minder. De leessnelheid is rond de tien tokens per seconde, en het aantal kaarten dat dat haalt: 15.

DeepSeek-V2.5— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 102.5 GB bij een compressie van Q3_K_M, welke is wat de kleinste card die het draait gebruikt. Minder compressie heeft meer nodig: de cijfers in de memory-kolom hierboven worden opnieuw berekend voor elke card, omdat elke card de minst gecomprimeerde versie kan vasthouden.

DeepSeek-V2.5— is het open-source?

De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.

DeepSeek-V2.5— hoeveel parameters heeft het?

Het heeft een parameter telling van 236B. 21B active params, 236B total. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.

DeepSeek-V2.5— wie heeft het gemaakt?

Het werd gepubliceerd door DeepSeek, gebaseerd op China, een organisatie geclassificeerd als industry.

DeepSeek-V2.5— wanneer is het uitgebracht?

Het werd gepubliceerd in September 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

DeepSeek-V2.5— waarvoor wordt het gebruikt?

Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Chat, Code generation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.

DeepSeek-V2.5— waar kan ik het downloaden?

Zijn gewichten zijn gepubliceerd op Hugging Face, onder de organisatie deepseek-ai. Wij hosten geen modelbestanden - deze site berekent welke hardware nodig is om ze te draaien.

DeepSeek-V2.5— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 1.8 × 10²⁴ FLOP. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.

DeepSeek-V2.5— kan ik het draaien als het niet in mijn GPU past?

Het kan worden opgesplitst tussen de GPU-kaart en systeemgeheugen, maar het genereert op die manier pijnlijk traag. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 43.6 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

Bron

Originele publicatie

Laatste update geregistreerd 19 February 2026

De andere richting

Van de andere kant bekijken?

Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.

Alle AI-modellen