LLM MIT

DeepSeek R1 70B

70B параметров · Transformer · Контекст 128k · DeepSeek · 2025

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 140 ГБ Максимальное Для продакшена
FP8 70 ГБ Отличное Оптимально
INT8 70 ГБ Хорошее
INT4/Q4 35 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA H100 SXM
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA H200 SXM
141 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA A100
80 ГБ FP16, FP8, INT8, INT4 Арендовать

Рекомендуемые фреймворки

vLLM TGI llama.cpp

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model DeepSeek-R1-Distill-Llama-70B \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
DeepSeek
Год выпуска
2025
Параметры
70B
Архитектура
Transformer
Контекстное окно
128,000 токенов
Лицензия
MIT

Применение

Reasoning Code generation Math Chain-of-thought

DeepSeek R1 70B — дистилляция на базе Llama 3.3 70B: сочетает сильный общий instruct-базис Meta с привычным для линейки R1 явным рассуждением. Это один из лучших открытых компромиссов между качеством math/reasoning и реалистичным enterprise-деплоем на нескольких datacenter GPU.

Контекст 128k; в fp16 веса занимают порядка 140 ГБ VRAM, поэтому типичный сценарий — fp8 на двух H100/H200 с tensor parallel.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для DeepSeek R1 70B в fp8 рекомендуем минимум две карты H100 или H200 (около 70 ГБ под веса + запас под KV-cache). Перейдите в каталог GPU и арендуйте инстанс с Docker-образом.

Шаг 2 — Запустите vLLM

На нескольких GPU задайте tensor parallel (число GPU должно совпадать с --tensor-parallel-size):

docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model deepseek-ai/DeepSeek-R1-Distill-Llama-70B \
  --dtype auto \
  --tensor-parallel-size 2 \
  --max-model-len 65536

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-ai/DeepSeek-R1-Distill-Llama-70B",
    "messages": [{"role": "user", "content": "Докажи по индукции, что 1+2+…+n = n(n+1)/2. Пиши строго, шаг базы и шаг перехода отдельно."}]
  }'

Оптимизация

  • Увеличивайте TP (4× GPU), если нужен больший batch или длиннее контекст при том же запасе памяти.
  • Следите за балансом max_num_seqs и --max-model-len — reasoning-модели быстро заполняют память длинными генерациями.
  • Для продакшн-SLA ограничивайте длину «мыслей» в ответе или используйте отдельный постпроцессинг.