DeepSeek-V3 (Mar 2025) TPS-rekenmachine

Open gewichten DeepSeek 671B parameters March 2025

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

0 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Welke GPU's kunnen draaien DeepSeek-V3 (Mar 2025)?

Stel de invoer in, lees het antwoord

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

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

0 kaarten passen

Berekenen
Heeft Kwantificatie Past

Geen kaart in onze catalogus kan dit model met deze instellingen draaien..

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
24 March 2025
Auteurs
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…

Wat het doet

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

Domein
Language
Taak
Language modeling/generation, Code generation, Quantitative reasoning, Question answering
Numerieke indeling
FP8

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
671B

Mixture-of-Experts (MoE) language model with 671B total parameters with 37B activated for each token.

Training gegevens
14,800,000,000,000 tokens

"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"

Batchgrootte
62,914,560

15360 * 4096

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
3.3 × 10²⁴ FLOP

6 × 37B × 14.8T = 3.29e24 pretraining FLOPs, 1e22 posttrainining FLOPs - see doc below https://docs.google.com/document/d/1C4zBvHh4UNnzaorwQSdG61zQJsBV9X3i3A70NeelxHY/edit?usp=sharing

Hoe het werd opgericht
Operation counting,Hardware

De trainingsrun

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

Training hardware
NVIDIA H800 SXM5
Gebruikte chips
2,048
Chip-uren
2,788,000
Hardwaregebruik
MFU 19.5%

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

Stroomverbruik
2.8 MW
Rekenkosten
$5,390,000
Datacenter
Paper on DeepSeek-V3

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

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

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

training cost was $5.3million USD (Table 1)

Record vertrouwen
Confident

Bronnen

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

Referentie
DeepSeek-V3 Technical Report
Laatst bijgewerkt
19 February 2026

Wat de cijfers betekenen

Wat je nodig hebt om het te draaien

DeepSeek-V3 (Mar 2025) bereikt een parameter telling van 671B. 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: 0.

Achtergrond

DeepSeek-V3 (Mar 2025) werd gepubliceerd door DeepSeek, in het land geregistreerd als China, tijdens March 2025. Het komt uit een organisatie gecategoriseerd als industry.

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

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.

Training en herkomst

De training run verbruikte ongeveer 3.3 × 10²⁴ FLOP, op hardware vastgelegd als NVIDIA H800 SXM5. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

De trainingsset liep naar ongeveer 14,800,000,000,000 tekstokens

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

Stap voor stap

Hoe een GPU te kiezen voor DeepSeek-V3 (Mar 2025)

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

  1. 01

    Controleer wat het nodig heeft voordat iets anders.

    De tabel vermeldt elke kaart die in staat is om te bevatten. DeepSeek-V3 (Mar 2025). De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.

  2. 02

    Bepaal hoe lang je gesprekken duren

    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-V3 (Mar 2025).

  3. 03

    Kies hoe ver je het wilt comprimeren

    Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden.. 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.

  4. 04

    Vergelijk tokens per seconde, niet specificaties

    Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor DeepSeek-V3 (Mar 2025). Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte.

  5. 05

    Controleer het geschiktheidsadvies voordat je koopt

    Een strakke pasvorm draait, maar laat niets over voor een langer gesprek, in het geval van DeepSeek-V3 (Mar 2025). 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.

  6. 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-V3 (Mar 2025).

Antwoorden

DeepSeek-V3 (Mar 2025) — veelgestelde vragen

01

DeepSeek-V3 (Mar 2025)— 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.

02

DeepSeek-V3 (Mar 2025)— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 3.3 × 10²⁴ FLOP, op hardware vastgelegd als NVIDIA H800 SXM5. 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.

03

DeepSeek-V3 (Mar 2025)— kan ik het draaien als het niet in mijn GPU past?

Alleen door af te laden, wat meestal een valse economie is: het deel dat in systeemgeheugen wordt vastgehouden, houdt het hele ding tegen. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 147.5 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

04

DeepSeek-V3 (Mar 2025)— Zouden twee GPU's het sneller draaien?

Capaciteit voegt samen over kaarten; doorvoer niet. Het aantal kaarten dat het al op zichzelf vasthoudt: 0. Dus een tweede card is zelden het antwoord hier.

05

DeepSeek-V3 (Mar 2025)— waarom verschilt de quantisatie tussen kaarten?

Elke kaart wordt weergegeven met de minst-gecomprimeerde kopie die hij kan bevatten. Het aantal verschillende compressieniveaus op de kaarten die het kunnen houden: 1. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

06

DeepSeek-V3 (Mar 2025)— 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: de reeks onder elk cijfer. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

07

DeepSeek-V3 (Mar 2025)— 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.

08

DeepSeek-V3 (Mar 2025)— hoeveel parameters heeft het?

Het heeft een parameter telling van 671B. Mixture-of-Experts (MoE) language model with 671B total parameters with 37B activated for each token. 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.

09

DeepSeek-V3 (Mar 2025)— wie heeft het gemaakt?

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

10

DeepSeek-V3 (Mar 2025)— wanneer is het uitgebracht?

Het werd gepubliceerd in March 2025.

11

DeepSeek-V3 (Mar 2025)— waarvoor wordt het gebruikt?

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

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