LLM MIT

DeepSeek V3.1

671B параметров · MoE · Контекст 128k · DeepSeek · 2025

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 700 ГБ Максимальное Для продакшена
FP8 350 ГБ Отличное Оптимально
INT4/Q4 175 ГБ Приемлемое Для экспериментов

Совместимые GPU

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

Рекомендуемые фреймворки

vLLM TGI

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model DeepSeek-V3.1 \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
DeepSeek
Год выпуска
2025
Параметры
671B
Архитектура
MoE
Контекстное окно
128,000 токенов
Лицензия
MIT

Применение

Code generation Reasoning Agents Research

DeepSeek V3.1 — эволюция DeepSeek V3: 671 млрд параметров всего, ~37 млрд активных на токен в MoE-стеке. Помимо качества на code/reasoning, релиз делает ставку на tool use и агентные сценарии: по заявлениям DeepSeek, это заметный шаг к «эре агентов» в их open-weight линейке.

Гибридные режимы thinking / non-thinking позволяют переключать глубину рассуждений под задачу — от интерактивного чата до тяжёлых research-пайплайнов.

Локально модель остаётся прерогативой multi-GPU H100/H200; альтернативно для enterprise-стека можно смотреть TGI (Hugging Face Text Generation Inference), если vLLM не подходит по эксплуатационным причинам. На Hugging Face ориентируйтесь на FP8-чекпойнты и не добавляйте --quantization в Docker без явной необходимости.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Возьмите узел из нескольких H100 или H200 с быстрым меж-GPU каналом. Одиночная карта для полноформатного деплоя, как правило, не подходит.

Шаг 2 — Запустите vLLM

docker run --gpus all -p 8000:8000 --shm-size=16g vllm/vllm-openai:latest \
  --model deepseek-ai/DeepSeek-V3.1 \
  --dtype auto \
  --tensor-parallel-size 8 \
  --max-model-len 32768

--tensor-parallel-size N выставьте по числу GPU (часто 8×80GB; уточняйте под ваш VRAM и версию vLLM).

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-ai/DeepSeek-V3.1",
    "messages": [{"role": "user", "content": "Спроектируй пошаговый план агента: браузерный tool-use + проверка фактов + финальный ответ с цитатами"}]
  }'

Оптимизация

  • Агентные сценарии любят длинные контексты — заранее ограничивайте max-model-len и число одновременных диалогов
  • Для продакшена вынесите rate limiting и таймауты на API-gateway; MoE чувствителен к всплескам нагрузки
  • Если vLLM не покрывает ваш SLO, рассмотрите TGI на том же кластере — см. документацию образов и совместимость с DeepSeek-V3.1