Model · deepseek-ai · 2026auto（HuggingFace 自动同步，未人工核实）
DeepSeek-V3（684.531386B）显存要求 · 本地部署需要什么显卡
原生上下文 163,840 tokens · MLA · MoE 256 选 8 · 每 token 激活 34.028388352B
推理显存需求（llama.cpp 口径，batch = 1，含 KV/缓冲/开销）
| 量化档 | 权重体积 | 4K 上下文 | 32K 上下文 | 128K 上下文 | 160K 上下文 |
|---|---|---|---|---|---|
| FP16 / BF16 | 1275.0 GiB | 1277.1 GiB | 1286.0 GiB | 1316.5 GiB | 1326.6 GiB |
| GGUF Q8_0 | 677.4 GiB | 679.5 GiB | 688.3 GiB | 718.8 GiB | 728.9 GiB |
| GGUF Q4_K_M | 386.5 GiB | 388.6 GiB | 397.5 GiB | 427.9 GiB | 438.1 GiB |
| GGUF Q2_K | 209.6 GiB | 211.7 GiB | 220.6 GiB | 251.0 GiB | 261.1 GiB |
显存需求 = 权重 + KV cache + 计算/输入缓冲 + 框架开销（≈0.8 GB）。权重与 KV 为精确公式，典型误差 ±3%；≥24 GB 显存可从 4-bit 档起步。
微调显存估算（4096 上下文 × batch 1，梯度检查点开）
| 全参微调（AdamW 混合精度） | 10204.6 GiB |
| LoRA（r=16，7 模块） | 1281.7 GiB |
| QLoRA（NF4，r=16） | 335.5 GiB |
微调框架与部署引擎推荐
微调：LLaMA-Factory · 知识蒸馏（R1 → Qwen/Llama 小模型）
部署：SGLang（官方推荐，MLA + DP Attention） · vLLM · TensorRT-LLM · llama.cpp
硬件参考：V3/R1 671B：2 节点 × 8 GPU（H100/A100）；R1-Distill-7B：单卡 16GB+
R1 系列使用建议：温度 0.5–0.7（推荐 0.6），避免 system prompt，强制以 <think> 开头