DeepSeek R1 Distill Qwen 32B в квантизации Q4_K_M с контекстом 8 тысяч токенов занимает 21,5 ГБ видеопамяти. Самый дешёвый вариант сейчас — 2× RTX 3060 12 ГБ, от 14 ₽/ч.
Размер файла весов и вся нужная видеопамять с кэшем контекста. Одна видеокарта, один запрос.
| Квантизация | Файл | Контекст 8K | Контекст 32K | Контекст 128K | Хватит видеокарты |
|---|---|---|---|---|---|
| BF16 | 61,0 | 64,1 | 70,1 | 94,1 | RTX PRO 5000 72 ГБ |
| Q8_0 | 32,4 | 35,5 | 41,5 | 65,5 | A100 PCIe 40 ГБ |
| Q6_K | 25,0 | 28,1 | 34,1 | 58,1 | Tesla V100 Super 32 ГБ |
| Q5_K_M | 21,7 | 24,7 | 30,7 | 54,7 | Tesla V100 Super 32 ГБ |
| Q4_K_M | 18,5 | 21,5 | 27,5 | 51,5 | RTX 3090 24 ГБ |
| Q3_K_M | 14,8 | 17,9 | 23,9 | 47,9 | RTX 4000 Ada 20 ГБ |
| Q2_K | 11,5 | 14,5 | 20,5 | 44,5 | RTX A4000 16 ГБ |
Сколько памяти занимает кэш на один запрос в FP16. Q8-кэш почти вдвое меньше. 256 КБ на токен.
Видеокарты из каталога, на которых модель помещается, по цене за час.
Цена — от самой дешёвой видеокарты этой модели × число GPU. Сервер на 2–8 видеокарт бывает немного дороже за штуку.
В шаблоне Ollama модель ставится одной командой:
ollama run deepseek-r1:32bДля API с высокой нагрузкой — шаблон vLLM с OpenAI-совместимым API.
Размеры файлов сверены с Hugging Face 2026-10-19. 1 ГБ здесь — 1024³ байт, как у видеокарт. На Hugging Face размеры в десятичных гигабайтах, поэтому там числа на 7% больше.