Скидка 5% при первом запуске GPU по промокоду Активировать скидку
LLM MIT

DeepSeek R1 7B

7B параметров · Transformer · Контекст 128k · DeepSeek · 2025

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 14 ГБ Максимальное Для продакшена
FP8 7 ГБ Отличное Оптимально
INT8 7 ГБ Хорошее
INT4/Q4 4 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA RTX 4090
24 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA RTX 3090
24 ГБ FP16, FP8, INT8, INT4 Арендовать

Рекомендуемые фреймворки

vLLM Ollama llama.cpp

Бенчмарки llama.cpp на GPU

Быстрый старт

vllm
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model DeepSeek-R1-Distill-Qwen-7B \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
DeepSeek
Год выпуска
2025
Параметры
7B
Архитектура
Transformer
Контекстное окно
128,000 токенов
Лицензия
MIT

Применение

Reasoning Math Code generation Chain-of-thought

DeepSeek R1 7B — компактная дистилляция флагманского R1-671B на базе Qwen 7B: модель явно «думает» в видимых цепочках рассуждений и сильна в логике, математике и задачах, где важен пошаговый вывод. Её удобно ставить в продакшн там, где нужен reasoning без аренды тяжёлых GPU.

Архитектура — плотный Transformer, контекст до 128k токенов; лицензия MIT.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для DeepSeek R1 7B в fp8 или int8 рекомендуем RTX 4090 (около 7 ГБ под веса) или RTX 3090. Перейдите в каталог GPU и арендуйте инстанс с Docker-образом.

Шаг 2 — Запустите vLLM

docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model deepseek-ai/DeepSeek-R1-Distill-Qwen-7B \
  --dtype auto \
  --max-model-len 32768

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-7B",
    "messages": [{"role": "user", "content": "Докажи, что √2 иррационально. Рассуждай по шагам."}]
  }'

Альтернативно, используйте Ollama для быстрого старта: 

ollama run deepseek-r1:7b

Оптимизация

  • Для длинного контекста увеличивайте --max-model-len постепенно: на 24 ГБ VRAM разумный потолок ниже, чем на картах с 80 ГБ.
  • Если не хватает памяти, используйте квантизацию (AWQ/GPTQ) или снижайте max-model-len и batch size.
  • Reasoning-модели дают длинные ответы: ограничивайте max_tokens, чтобы не раздувать latency и стоимость.