DeepSeek-V4-Flash TPS calculator

Open gewichten DeepSeek 284B Parameters April 2026

Elke kaart hieronder wordt beoordeeld op dit model bij de door u gekozen contextlengte en minimale kwaliteit. Snelheid is een schatting voor een enkele aanvraag, berekend op basis van de geheugenbandbreedte van de kaart en de grootte van het model na compressie..

Gerekend voor dit model

9 kaarten die het kunnen uitvoeren

818 kaarten waarvoor wij specificaties bewaren

Kleinste kaart die past

H200 NVL

141 GB · Q3_K_M · 109 tok/s

snelste kaart

B200

153 tok/s · 180 GB

Welke GPU's kunnen uitvoeren DeepSeek-V4-Flash?

Stel de inputs in, lees het antwoord.

Contextlengte tokens

Een langer gesprek heeft meer geheugen nodig, wat dit model van kleinere kaarten kan afhouden.

Minimale kwaliteit

Verbergt kaarten die alleen bij het model passen door het hieronder te comprimeren.

Zoekkaarten

Kaartgeheugen

Bekijk ook kaarten die het niet kunnen uitvoeren

9 kaarten komen overeen

Berekenen

					Behoeften	Quantisering	Fit
153 tok/s 92–245 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	153.0 GB	Q4_K_M	Strak
109 tok/s 66–175 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	119.9 GB	Q3_K_M	Strak
109 tok/s 66–175 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	119.9 GB	Q3_K_M	Strak
96.3 tok/s 58–154 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	219.1 GB	Q6_K	Strak
79.4 tok/s 48–127 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	153.0 GB	Q4_K_M	Strak
79.4 tok/s 48–127 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	153.0 GB	Q4_K_M	Strak
76.9 tok/s 46–123 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	219.1 GB	Q6_K	Strak
76.9 tok/s 46–123 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	219.1 GB	Q6_K	Strak
56.3 tok/s 34–90 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	219.1 GB	Q6_K	Strak

Snelheden zijn schattingen voor een enkele aanvraag — één gesprek tegelijk — berekend op basis van geheugenbandbreedte, modelgrootte en kwantisatie. Werkelijke doorvoer varieert met de inference-runtime en de versie ervan. Cijfers die door hardwarefabrikanten worden gepubliceerd, meten vele gelijktijdige aanvragen en liggen veel hoger.

Op record

Volledige specificatie

Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.

Oorsprong

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

Organisatie: DeepSeek
Organisatie type: Industry
Land: China
Gepubliceerd: 24 April 2026

Wat het doet

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

Domein: Language
Taak: Language modeling/generation, Question answering

Grootte

Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.

Parameters: 284B
Opleidingsgegevens: tokens

Training berekeningen

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

Training berekeningen: 2.5 × 10²⁴ FLOP

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
Model toegang: Open weights (unrestricted)

Hoe het is geclassificeerd

Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.

Waarom het wordt gevolgd: Discretionary
Vereiste vertrouwen: Likely

Bronnen

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

Referentie: DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence
Laatst bijgewerkt: 8 June 2026

De extremen

De tien snelste GPUs die uitvoeren DeepSeek-V4-Flash

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

De kleinste GPUs die nog steeds kunnen uitvoeren DeepSeek-V4-Flash

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

Wat de cijfers betekenen

De hardwarekant

Minimale kaart

H200 NVL

Geheugen nodig

119.9 GB

Snelste

153 tok/s

Bij 284B parameters is DeepSeek-V4-Flash voorbij wat een enkele grafische kaart kan bevatten. Het draaien ervan betekent het ofwel splitsen over verschillende kaarten of het huren van hardware die voor de klus is gebouwd - 9 van de kaarten die we volgen kunnen het zelfstandig bevatten, en al deze zijn datacenteronderdelen.

Aan de onderkant handelt een H200 NVL het — 141 GB, bij Q3_K_M, voor ongeveer 109 tokens per seconde.

Aan de andere kant genereert een B200 ongeveer 153 tokens per seconde op basis van 8.000 GB/s geheugendoorrn.

Waar het vandaan kwam

DeepSeek-V4-Flash werd gepubliceerd door DeepSeek, in China, in april 2026. industrie is de categorie waaronder de uitgever valt.

Het werkt in Taal, en wordt geregistreerd als het uitvoeren van taalmodellering/generatie, Vraag beantwoorden.

De open gewichten zijn wat deze pagina in de calculator plaatst in plaats van alleen in de catalogus: het is een model dat je daadwerkelijk kunt vasthouden.

Het begrijpen van de snelheden

Op elke kaart die het kan draaien, ligt het midden van het bereik rond de 79,4 tokens per seconde, en 9 daarvan halen de tien tokens per seconde die ongeveer overeenkomt met leessnelheid.

Mixture-of-experts routeren is waarom de snelheden hier hoog lijken voor de parameter telling. Slechts een fractie wordt per token gelezen, maar het geheel moet worden geladen.

Geheugen hier is geschat op basis van grootte in plaats van berekend vanuit de architectuur, die niet is vastgelegd voor dit model — de cijfers zijn indicatief in plaats van exact.

Wat erin is gestopt om het te bouwen

De trainingsrun verbruikte ongeveer 2,5 × 10²⁴ FLOP. Dat cijfer beschrijft de kosten van het creëren ervan en heeft geen invloed op hoe snel het tekst genereert.

Het inklusiecriterium is discretionair.

Stapsgewijs

Hoe kiest u een GPU voor DeepSeek-V4-Flash

De bovenstaande tabel heeft al elke kaart beoordeeld waarvoor wij specificaties bezitten tegen dit model. Om tot uw antwoord te komen, doorloopt u zes stappen..

01

Begin vanaf de geheugen kolom

Kijk naar wat DeepSeek-V4-Flash eigenlijk nodig heeft — ongeveer 119,9 GB bij Q3_K_M. Hoeveel verwerkingskracht dan ook compenseert niet voor een kaart die het niet kan vasthouden.
02

Stel de contextlengte in waar je mee zult werken

Stel de context in op wat je daadwerkelijk zult gebruiken. De cache groeit met het gesprek, en het is de gebruikelijke reden dat DeepSeek-V4-Flash stopt met passen op een kaart die in eerste instantie goed leek.
03

Stel een kwaliteitsvloer in

De kwantisatiekolom varieert per kaart, omdat een grotere kaart een nauwkeuriger exemplaar van DeepSeek-V4-Flash — Q3_K_M bevat op de kleinste kaart die past. Zet een vloer om de vergelijking op één niveau te houden.
04

Rangschik op doorvoer in plaats van specificatiedocument

De snelheidsordering voor DeepSeek-V4-Flash is in wezen een ordering op basis van geheugendbandbreedte, wat de reden is dat de B200 deze bovenaan plaatst met 153 tok/s.
05

Controleer het pasadvies voordat je koopt

Een krappe pasvorm draait DeepSeek-V4-Flash maar laat niets over voor een langer gesprek; comfortabel heeft ruimte. Als je verwacht de context te laten groeien, koop dan voor comfortabel.
06

Open de kaart waarop je bent neergedaald

Het volgen van een kaart naar zijn eigen pagina toont elk ander model dat het kan bevatten, wat de vraag is die volgt zodra DeepSeek-V4-Flash is opgelost.

Antwoorden

DeepSeek-V4-Flash — Veelgestelde vragen

Is DeepSeek-V4-Flash open source?

De gewichten zijn gepubliceerd, zodat DeepSeek-V4-Flash kan worden gedownload en op je eigen hardware kan worden uitgevoerd. Let op dat open gewichten niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan verbonden zijn.

Hoeveel parameters heeft DeepSeek-V4-Flash?

DeepSeek-V4-Flash heeft 284B parameters. 284B totaal, 13B actief. Dat cijfer is het totaal, en het bepaalt hoeveel geheugen het model nodig heeft - ongeveer een half gigabyte per miljard bij de compressie die de meeste mensen gebruiken.

Wie heeft DeepSeek-V4-Flash gemaakt?

DeepSeek-V4-Flash werd gepubliceerd door DeepSeek, gevestigd in China, gecategoriseerd als industrie.

Wanneer werd DeepSeek-V4-Flash vrijgegeven?

DeepSeek-V4-Flash werd gepubliceerd in april 2026.

Waarvoor wordt DeepSeek-V4-Flash gebruikt?

DeepSeek-V4-Flash werkt in Taal, en wordt geregistreerd als het verwerken van taalmodeleigenschappen/ generatie, Vraag antwoorden. Dit zijn de gebieden waarop het is ontworpen; ze beschrijven intentie eerder dan een harde grens.

Waar kan ik DeepSeek-V4-Flash downloaden?

De gewichten voor DeepSeek-V4-Flash zijn gepubliceerd, hoewel we geen repositorylink ervoor hebben. Deze site berekent hardwarevereisten in plaats van modelbestanden te hosten.

Hoeveel rekencapaciteit is gebruikt om DeepSeek-V4-Flash te trainen?

Ongeveer 2,5 × 10²⁴ FLOP. Dat meet wat het kostte om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentiesnelheid komt van geheugencentralebandbreedte, niet van het trainingsbudget.

Kan ik DeepSeek-V4-Flash draaien als het niet in mijn GPU past?

Deels. Lagen die niet passen zitten in het systeemgeheugen en draaien met een fractie van de snelheid, dus een voornaamste verplaatste DeepSeek-V4-Flash is zelden het gebruik waard - de dichtstbijzijnde misrekening die we berekenen, ontbreekt met 37,8 GB. Elk cijfer hier veronderstelt dat het hele model op de kaart staat.

Zouden twee GPU's DeepSeek-V4-Flash sneller draaien?

Een tweede kaart verdubbelt ruwweg het beschikbare geheugen, maar niet de generatie snelheid. Met 9 kaarten die al in staat zijn om DeepSeek-V4-Flash alleen uit te voeren, is het argument voor koppeling zwak.

Waarom verschilt de kwantisatie tussen kaarten voor DeepSeek-V4-Flash?

Elke kaart wordt weergegeven met de het minst gecomprimeerde exemplaar dat hij kan bevatten, en DeepSeek-V4-Flash verschijnt op 3 verschillende compressieniveaus over de kaarten die het kunnen bevatten. Grotere kaarten krijgen de nauwkeurigere versie.

Hoe nauwkeurig zijn deze DeepSeek-V4-Flash snelheidsschattingen?

Dit zijn schattingen met echte foutbalken. Het snelste resultaat hier, 92–245 tok/s op de B200, zou redelijkerwijs ergens binnen zijn gepubliceerde bereik kunnen vallen, afhankelijk van welke runtime je gebruikt.

Welke GPU heb ik nodig om DeepSeek-V4-Flash te draaien?

De kleinste kaart in onze catalogus die DeepSeek-V4-Flash ondersteunt is de H200 NVL, met 141 GB geheugen. Het draait het model op Q3_K_M met ongeveer 119,9 GB en produceert ongeveer 109 tokens per seconde. Totaal kunnen 9 kaarten het draaien.

Hoe snel is DeepSeek-V4-Flash op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is een B200 met ongeveer 153 tokens per seconde; de langzaamste die nog steeds draait, haalt aanzienlijk minder. De leessnelheid ligt rond de tien tokens per seconde, en 9 van de kaarten die DeepSeek-V4-Flash kunnen draaien, halen dat.

Hoeveel VRAM heeft DeepSeek-V4-Flash nodig?

Ongeveer 119,9 GB bij Q3_K_M-compressie, wat is wat de kleinste kaart die het draait gebruikt. Minder compressie heeft meer nodig: de cijfers in de geheugenkolom hierboven worden opnieuw berekend voor elke kaart, omdat elke kaart de minst-gecomprimeerde versie bevat die het kan.

Bron

Oorspronkelijke publicatie

Laast bijgewerkt 8 June 2026

De andere richting

Vanuit het andere perspectief bekijken?

Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.

Alle AI-modellen