DeepSeekMoE-16B kalkulator TPS

Otwórz wagi DeepSeek 16B parametry January 2024

Każda karta poniżej jest oceniana w stosunku do tego modelu przy wybranej długości kontekstu i minimalnej jakości. Prędkość jest oszacowaniem dla pojedynczego żądania, obliczonym na podstawie przepustowości pamięci karty i rozmiaru modelu po skompresowaniu..

Obliczone dla tego modelu

306 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

P102-101

10 GB · Q3_K_M · 108 tok/s

Najszybsza karta

B200

1,176 tok/s · 180 GB

Które GPU mogą uruchomić DeepSeekMoE-16B?

Ustaw wejścia, odczytaj odpowiedź.

Długość kontekstu tokeny

Dłuższa rozmowa wymaga więcej MEMORY, co może spowodować, że ten model nie zmieści się na mniejszych CARD..

Minimalna jakość

Ukrywa karty, które zmieściłyby się w modelu tylko przez skompresowanie go poniżej tego punktu..

Szukaj kart

Pamięć karty

Pokaż również karty, które nie mogą tego uruchomić.

306 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
1,176 tok/s 706–1,882 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	17.5 GB	Q8_0	Wygodny
1,176 tok/s 706–1,882 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	17.5 GB	Q8_0	Wygodny
939 tok/s 564–1,503 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	17.5 GB	Q8_0	Wygodny
939 tok/s 564–1,503 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	17.5 GB	Q8_0	Wygodny
751 tok/s 451–1,202 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	17.5 GB	Q8_0	Wygodny
719 tok/s 431–1,151 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	17.5 GB	Q8_0	Wygodny
719 tok/s 431–1,151 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	17.5 GB	Q8_0	Wygodny
688 tok/s 413–1,101 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	17.5 GB	Q8_0	Wygodny
619 tok/s 371–990 · niska pewność	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.1 GB	Q3_K_M	Wąski
611 tok/s 366–977 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	17.5 GB	Q8_0	Wygodny
611 tok/s 366–977 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	17.5 GB	Q8_0	Wygodny
611 tok/s 366–977 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	17.5 GB	Q8_0	Wygodny
579 tok/s 348–927 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	17.5 GB	Q8_0	Wygodny
494 tok/s 296–791 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	17.5 GB	Q8_0	Wygodny
494 tok/s 296–791 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	17.5 GB	Q8_0	Wygodny
494 tok/s 296–791 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	17.5 GB	Q8_0	Wygodny
494 tok/s 296–791 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	17.5 GB	Q8_0	Wygodny
494 tok/s 296–791 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	17.5 GB	Q8_0	Wygodny
376 tok/s 226–602 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	17.5 GB	Q8_0	Wygodny
376 tok/s 226–602 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	17.5 GB	Q8_0	Wygodny
314 tok/s 188–502 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	17.5 GB	Q8_0	Wygodny
310 tok/s 186–496 · niska pewność	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	10.0 GB	Q4_K_M	Wąski
310 tok/s 186–496 · niska pewność	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	10.0 GB	Q4_K_M	Wąski
307 tok/s 184–491 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	17.5 GB	Q8_0	Wygodny
302 tok/s 181–483 · niska pewność	CMP 90HX NVIDIA	10 GB	760 GB/s	Jul 2021	8.1 GB	Q3_K_M	Wąski

Prędkości są szacunkami dla pojedynczego zapytania — jednej konwersacji na raz — obliczonymi na podstawie przepustowości pamięci, rozmiaru MODELu i kwantyzacji. Rzeczywista przepustowość różni się w zależności od czasu uruchamiania inference i jego wersji. Wartości publikowane przez dostawców sprzętu mierzą wiele jednoczesnych zapytań i są znacznie wyższe..

Na nagranie

Pełna specyfikacja

Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..

Pochodzenie

Kto zbudował ten model, gdzie i kiedy został opublikowany.

Organizacja: DeepSeek
Typ organizacji: Industry
Kraj: China
Opublikowany: 11 January 2024
Autorzy: Damai Dai, Chengqi Deng, Chenggang Zhao, R.X. Xu, Huazuo Gao, Deli Chen, Jiashi Li, Wangding Zeng, Xingkai Yu, Y. Wu, Zhenda Xie, Y.K. Li, Panpan Huang, Fuli Luo, Chong Ruan, Zhifang Sui, Wenfeng Liang

Co to robi

Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.

Domena: Language
Zadanie: Chat

Rozmiar

Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.

parametry: 16B
Dane treningowe: 2,000,000,000,000 tokens
Epoki: 1

Obliczenia treningowe

Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.

Obliczenia treningowe: 3.4 × 10²² FLOP
Jak to zostało ustalone: Operation counting

Przebieg szkolenia

Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.

Sprzęt do trenowania: NVIDIA A100,NVIDIA H800 SXM5

Dostępność

Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.

Wagi: Open — downloadable
Dostęp do modelu: Open weights (restricted use)
Kod treningowy: Unreleased

Jak jest klasyfikowane

Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.

Zapisz pewność: Likely
Cytaty: 844

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-Experts Language Models
Ostatnio zaktualizowane: 25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają DeepSeekMoE-16B

Uszeregowany według szacowanej liczby tokenów na sekundę, najnowsza karta na pierwszym miejscu, gdy prędkości są równe. Ponieważ generacja jest ograniczona przez pamięć, to uporządkowanie podąża za przepustowością, a nie za jakimkolwiek benchmarkiem gier..

Najmniejsze GPU, które nadal działają DeepSeekMoE-16B

Najtańsza droga do, według pojemności pamięci. Tight fit uruchamia model, ale nie zostawia nic na dłuższą rozmowę..

Co oznaczają liczby

Co potrzebujesz, aby go uruchomić

Minimalna karta

P102-101

Pamięć potrzebna

8.1 GB

Najszybszy

1,176 tok/s

DeepSeekMoE-16B osiąga liczbę parametrów równą 16B. To jest na tyle małe, że sprzęt rzadko stanowi przeszkodę, w tym na kartach sprzed kilku lat. Liczba kart, które śledzimy, które mogą go uruchomić: 306.

Najmniejszy sprzęt, który działa, to P102-101, o pojemności pamięci 10 GB, uruchomienie go przy kompresji Q3_K_M i produkując około 108 tokeny na sekundę

Najwyższa półka to B200, generowanie w przybliżeniu 1,176 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Skąd to pochodzi

DeepSeekMoE-16B został opublikowany przez DeepSeek, w kraju zapisanym jako China, podczas January 2024. Kategoria, do której należy wydawca, to industry.

Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie chat.

Otwarte wagi to powód, dla którego ta strona znajduje się w kalkulatorze, a nie tylko w katalogu: jest to model, który możesz faktycznie mieć.

Zrozumienie prędkości

Mediana wyniku wynosi około 109.8 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 304 ich

Ponieważ kieruje każdy token przez podzbiór swoich wag, produkuje tekst z szybkością znacznie mniejszego modelu. Haczyk tkwi w pamięci: wszystko musi się jeszcze zmieścić, więc prędkość jest bonusem, a nie zniżką na sprzęt.

Jego układ uwagi jest w naszej bazie danych, więc wartości pamięci są obliczane dokładnie, a nie przybliżone.

Jak to zostało wytrenowane

Trenowanie zajęło budżet obliczeniowy wynoszący około 3.4 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100,NVIDIA H800 SXM5. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Został wytrenowany na korpusie około 2,000,000,000,000 Tokeny tekstu.

Krok po kroku

Jak wybrać GPU do DeepSeekMoE-16B

Tabela powyżej oceniła już każdą kartę, dla której posiadamy specyfikacje, w stosunku do tego modelu. Dotarcie do odpowiedzi wymaga sześciu kroków..

01

Przeczytaj najpierw liczbę pamięci

Zacznij od tego, co tak naprawdę jest potrzebne, czyli wymogu DeepSeekMoE-16B, potrzebując około 8.1 GB przy kompresji Q3_K_M. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
02

Ustaw długość kontekstu, z którą będziesz pracować

Ustaw kontekst na to, co naprawdę użyjesz. Cache rośnie wraz z rozmową i jest to zwykle powód, dla którego karta, która wydawała się w porządku, przestaje pasować. DeepSeekMoE-16B.
03

Wybierz, jak daleko chcesz to skompresować.

Kolumna kwantyzacji różni się w zależności od karty, ponieważ większa karta przechowuje dokładniejszą kopię., osiągnięcie kompresji Q3_K_M na najmniejszej karcie, która się mieści. Ustalenie minimalnej jakości odrzuca karty, które tylko ją osiągają, uciskając bardziej niż byś chciał, i utrzymuje porównanie na jednym poziomie.
04

Porównaj TOKENS na sekundę, a nie SPECYFIKACJE.

Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla DeepSeekMoE-16B. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 1,176 tok/s
05

Sprawdź werdykt dopasowania przed zakupem

Kolumna dopasowania oddziela karty, które ledwo dają radę, od tych, które mają zapas w przypadku DeepSeekMoE-16B. Wygodne oznacza, że możesz później zwiększyć kontekst. Ta różnica ma większe znaczenie niż kilka tokenów na sekundę, więc kupuj za wygodne, jeśli tego oczekujesz.
06

Zobacz, co jeszcze ta karta uruchamia

Śledzenie karty do jej własnej strony pokazuje każdy inny model, który może pomieścić, co jest pytaniem, które pojawia się po podjęciu decyzji o DeepSeekMoE-16B.

Odpowiedzi

DeepSeekMoE-16B — częste pytania

DeepSeekMoE-16B— kiedy to zostało wydane?

Zostało opublikowane w January 2024. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

DeepSeekMoE-16B— do czego to służy?

Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie chat. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.

DeepSeekMoE-16B— Gdzie mogę to pobrać?

Wagi są opublikowane, chociaż nie posiadamy linku do repozytorium. Ta strona oblicza wymagania sprzętowe, a nie hostuje pliki modelu.

DeepSeekMoE-16B— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 3.4 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100,NVIDIA H800 SXM5. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.

DeepSeekMoE-16B— czy mogę go uruchomić, jeśli nie mieści się w moim GPU?

Częściowo. Warstwy, które nie mieszczą się w GPU VRAM, znajdują się w pamięci systemu i działają z ułamkową prędkością, więc model, który jest w dużej mierze przeniesiony, rzadko jest wart używania. Najbliższy brak, który obliczamy, jest za mały o 2.8 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

DeepSeekMoE-16B— czy dwa GPU uruchomią to szybciej?

Dwie karty kupują pamięć zamiast szybkości, co ma znaczenie tylko wtedy, gdy jedna karta nie może jej pomieścić. Liczba, która może: 306. Więc druga karta rzadko jest odpowiedzią tutaj.

DeepSeekMoE-16B— dlaczego kwantyzacja różni się między kartami?

Każda KARTA jest przedstawiana z uruchomioną najmniej skompresowaną wersją, jaką może pomieścić. Liczba odmiennych poziomów kompresji w KARTACH, które mogą go pomieścić: 5. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

DeepSeekMoE-16B— Jak dokładne są te szacunki prędkości?

Każda wartość pochodzi z przepustowości pamięci i rozmiaru modelu, a nie z testów porównawczych, dlatego każda jest publikowana jako zakres, a nie pojedyncza liczba. Jeden przykład: 706–1,882 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

DeepSeekMoE-16B— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to P102-101, o pojemności pamięci 10 GB. Uruchamia model przy kompresji Q3_K_M używając około 8.1 GB, i produkuje w przybliżeniu 108 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 306.

DeepSeekMoE-16B— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 1,176 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 304.

DeepSeekMoE-16B— Ile VRAM-u potrzebuje?

Potrzebuje około 8.1 GB przy kompresji Q3_K_M, który jest najmniejszą kartą, która to uruchamia. Mniej kompresji potrzebuje więcej: liczby w kolumnie pamięci powyżej są przeliczane dla każdej karty, ponieważ każda z nich trzyma wersję o najmniejszej kompresji, jaką może.

DeepSeekMoE-16B— czy mogę uruchomić to na GPU trzymając 12 GB?

Tak. Karta GeForce RTX 3080 Ti, trzymanie 12 GB, uruchamia go przy kompresji Q4_K_M, używając około 10.0 GB i generując w przybliżeniu 310 tokenów na sekundę. Dopasowanie jest ciasne.

DeepSeekMoE-16B— czy mogę uruchomić to na GPU trzymając 16 GB?

Tak. Karta Tesla V100 SXM2 16 GB, trzymanie 16 GB, uruchamia go przy kompresji Q6_K, używając około 13.7 GB i generując w przybliżeniu 241 tokenów na sekundę. Dopasowanie jest ciasne.

DeepSeekMoE-16B— czy mogę uruchomić to na GPU trzymając 24 GB?

Tak. Karta GeForce RTX 5090 D V2, trzymanie 24 GB, uruchamia go przy kompresji Q8_0, używając około 17.5 GB i generując w przybliżeniu 197 tokenów na sekundę. Dopasowanie jest komfortowe.

DeepSeekMoE-16B— czy jest open weight?

Jego wagi są opublikowane, więc można je pobrać i uruchomić na własnym sprzęcie. Zauważ, że OPEN WEIGHTS nie są tym samym co OPEN SOURCE w pełnym sensie — nie mówi nic o danych treningowych, kodzie treningowym, ani warunkach komercyjnych.

DeepSeekMoE-16B— ile ma parametrów?

Ma liczbę parametrów równą 16B. 16B (total, but it's sparse). Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.

DeepSeekMoE-16B— kto to stworzył?

Zostało opublikowane przez DeepSeek, oparty na China, organizacja sklasyfikowana jako industry.

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 25 May 2026

Druga strona

Patrząc na to z drugiej strony?

Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.

Wszystkie modele AI