Beste GPU für DeepSeek-R1-Distill-32B lokal
Echtzeit-Preise und Hardware-Empfehlungen aktualisiert für August 2026.
DeepSeek-R1-Distill-32B ist ein dichtes Modell: Alle 32 Mrd. Parameter werden bei jedem Token aktiviert, die Generierungsgeschwindigkeit hängt also davon ab, wie schnell Ihre Karte die vollständigen Gewichte lesen kann.
Um DeepSeek-R1-Distill-32B lokal auszuführen, benötigen Sie rund 22.5 GB VRAM bei Q4_K_M-Quantisierung und einem Kontext von 32k Token. Die preislich attraktivste passende Karte ist die GeForce RTX 3090 (24 GB), die etwa 10 Token pro Sekunde erzeugen dürfte.
Kontextlänge anpassen
Zu gängigen Größen schieben oder manuell einen Wert eingeben.
Empfohlene Hardware
Q3-Gewichte (~14GB) plus 32k-GQA-KV-Cache überschreiten 16GB. 24GB-Karten sind der praktische Einstiegspunkt für dieses 32B-Modell.
Empfohlene Hardware
Läuft bei Q4 bequem auf 24GB-Karten. Starke Reasoning-Leistung, unbeeinträchtigt durch VRAM.
Empfohlene Hardware
Volle Präzision erfordert allein für die Gewichtsmatrix Karten in Workstation-Klasse mit 48GB+.
Andere Modelle mit demselben VRAM-Bedarf
Da die Gewichte von DeepSeek-R1-Distill-32B auf eine 24-GB-Karte passen, laufen andere Modelle ähnlicher Größe auf derselben GPU. Die Generierungsgeschwindigkeit variiert — Mixture-of-Experts-Modelle sind schneller, dichte Modelle langsamer — aber alle passen in denselben VRAM:
Setup-Optimierung für DeepSeek-R1-Distill-32B
Quantisierungs-Empfehlungen
Für tägliche Coding- und Reasoning-Aufgaben bietet Q4_K_M (4-Bit-Quantisierung) die beste Balance aus Qualität und Speichereffizienz – es reduziert den Speicherbedarf um über 70 % bei minimalem Qualitätsverlust im Vergleich zu FP16. Q8 und höhere Voreinstellungen bewahren mehr Details auf Kosten eines deutlich höheren VRAM-Bedarfs, was das Auslagern von Schichten erzwingen und den Durchsatz verringern kann.
Empfohlene lokale Software
Wir empfehlen Ollama als primären Runner für die lokale Inferenz aufgrund der automatischen GPU-Modellaufteilung und der Optimierung des Kontext-Caches. Für fortgeschrittenes Fine-Tuning oder Quantisierungsaufteilungen bietet das nativ kompilierte llama.cpp mit Flash Attention die beste granulare Kontrolle.
DeepSeek-R1-Distill-32B lokal ausführen — FAQ
Wie viel VRAM brauche ich, um DeepSeek-R1-Distill-32B auszuführen?
Bei einem Kontext von 32k und aktivierter KV-Cache-Quantisierung benötigt DeepSeek-R1-Distill-32B etwa 22.5 GB VRAM bei Q4_K_M — die Quantisierung, die für die meisten die richtige Wahl ist. Q3_K_M senkt den Bedarf auf rund 17.9 GB bei etwas geringerer Qualität, Q8_0 verlangt rund 40.9 GB für die beste Qualität, die dieses Modell liefern kann.
Auf welche Grafikkartengröße passt DeepSeek-R1-Distill-32B?
DeepSeek-R1-Distill-32B benötigt bei Q4_K_M etwa 22.5 GB. Eine 24-GB-Karte ist damit die kleinste gängige Größe, die das Modell vollständig im VRAM hält. Darunter müssen Layer in den Systemspeicher ausgelagert werden, was in der Regel den Großteil der Generierungsgeschwindigkeit kostet.
Welche Quantisierung sollte ich für DeepSeek-R1-Distill-32B verwenden?
Nehmen Sie Q4_K_M, sofern Sie kein VRAM übrig haben. Es benötigt etwa 22.5 GB und verliert gegenüber voller Präzision kaum Qualität. Q8_0 verlangt rund 40.9 GB für einen Qualitätsgewinn, den die wenigsten beim Programmieren oder Chatten bemerken. Investieren Sie übriges VRAM lieber in einen längeren Kontext.
Wie wirkt sich die Kontextlänge auf den VRAM-Bedarf von DeepSeek-R1-Distill-32B aus?
Die Modellgewichte sind fix, der KV-Cache wächst jedoch linear mit dem Kontext. Bei DeepSeek-R1-Distill-32B und einem Kontext von 32k belegt der Cache etwa 4.1 GB; eine Verdopplung auf 64k bringt ihn auf rund 8.2 GB. Ohne KV-Cache-Quantisierung verdoppeln sich diese Werte erneut.
Kann dieselbe GPU andere Modelle ausführen, die DeepSeek-R1-Distill-32B ähneln?
Ja. DeepSeek-R1-Distill-32B benötigt etwa 22.5 GB bei Q4_K_M, und jedes Modell, dessen Gewichte auf dieselbe Karte passen, läuft darauf — einschließlich OpenReasoning-Nemotron-32B (32B, basierend auf Qwen2.5-32B), Qwen2.5-32B (32.5B), Qwen2.5-Coder-32B (32.5B), QwQ-32B (32.5B), Qwen3-32B (32.8B), Gemma 4 31B (31B). Die Gewichte passen in dieselbe GPU; die Generierungsgeschwindigkeit variiert (Mixture-of-Experts-Modelle sind schneller, dichte Modelle langsamer).
▸Wie Token-Geschwindigkeiten geschätzt werden
Wie wir den GPU-Wertungs-Score berechnen und Marktdaten normalisieren.
Lesen (Prefill)
Der Prompt wird in einem einzigen parallelen Durchgang verarbeitet. Dies ist rechenleistungsbegrenzt (compute-bound): Es lastet die Tensor-Kerne der GPU aus.
Decode (Generierung)
Jedes neue Token erfordert das Laden aller aktiven Modellgewichte aus dem VRAM. Dies ist speicherbandbreitenbegrenzt (memory-bandwidth-bound): Die GPU wartet auf Daten, anstatt zu rechnen.
Gewichte = (activeParams × Bits ÷ 8) × 1,15 Overhead. KV-Cache pro Schritt = activeParams × Multiplikator × contextK.
Architektur-Nutzungsfaktoren
Links: Decode-Faktor — Rechts: Read-Faktor
Datenquellen
TFLOPS und Speicherbandbreite werden aus der GPU-Datenbank ausgelesen. Falls nicht vorhanden, fällt die Bandbreite auf ein hartcodiertes Wörterbuch zurück.
Einschränkungen
Dies sind analytische Schätzungen, keine tatsächlichen Benchmark-Ergebnisse. Verwende sie als relativen Vergleich, nicht als absolute Leistungsgarantie.