Tabela de VRAM do DeepSeek-R1 Distill (2026)

VRAM do DeepSeek-R1 Distill por quantização

Os valores de VRAM incluem uma pequena folga para contexto e cache KV além do tamanho bruto do arquivo. O Q4_K_M é o padrão do Ollama e um equilíbrio entre tamanho e qualidade amplamente usado para raciocínio. Use o Q8_0 apenas se tiver VRAM sobrando e quiser um ganho marginal de qualidade; o FP16 raramente vale a pena localmente.

Qual quantização você deve escolher?

**Use o Q4_K_M para quase tudo** — é o padrão do Ollama e mantém alta a qualidade de raciocínio enquanto acomoda o maior número de modelos por GB. Escolha-o a menos que tenha um motivo específico para não fazê-lo.

**Use o Q8_0 apenas com VRAM sobrando** — ele praticamente dobra o consumo em troca de um ganho marginal de qualidade que normalmente muda pouco uma resposta de raciocínio. Vale a pena em uma placa de 24 GB rodando o 14B, e pouco mais.

**Pule o FP16 localmente** — com cerca de 4× o tamanho do Q4_K_M, ele empurra o 32B para hardware da classe de 80 GB com pouco benefício prático de raciocínio em relação ao Q8_0 na maioria das configurações locais.

O 14B em uma placa de 16 GB: qual quantização cabe

**Em uma GPU de 16 GB, rode o 14B em Q4_K_M, Q5_K_M ou Q6_K — não em Q8_0.** O arquivo Q4_K_M do Ollama tem 9.0 GB e deixa ~6 GB para o contexto; Q5_K_M (~10.5 GB) e Q6_K (~12.1 GB) também cabem com uma janela de contexto moderada.

**O Q8_0 não cabe com folga.** O arquivo Q8_0 do Ollama tem 16 GB — a placa inteira antes do cache KV — então parte do modelo vai para a RAM do sistema, mais lenta.

**O Ollama só oferece as tags Q4_K_M, Q8_0 e FP16 para os distills.** Para Q5_K_M ou Q6_K, baixe um arquivo GGUF do Hugging Face: `ollama run hf.co//:Q6_K`.

**Uma RTX 4070 Laptop tem 8 GB de VRAM, não 16 GB.** Use o distill de 7B ou 8B em Q4_K_M (arquivos de 4.7–4.9 GB). O 14B (9 GB) é parcialmente descarregado para a RAM do sistema e fica bem mais lento.

**A tag `deepseek-r1:8b` não é o distill do Llama.** Seu tamanho de 5.2 GB na lista de tags do Ollama corresponde à versão R1-0528 baseada no Qwen3-8B, não ao distill Llama de 4.9 GB; o distill Llama 3 da tabela é `deepseek-r1:8b-llama-distill-q4_K_M`.

V3 vs R1: não confunda

**O DeepSeek-V3 é um modelo de chat; o DeepSeek-R1 (e estes distills) são modelos de raciocínio.** Esta tabela é só para a família de raciocínio R1. Se você procura o V3, ele é um modelo de chat MoE de 671B que também não roda em hardware de consumo — veja a [análise de hardware do DeepSeek-V3](/pt/prompt-bites/deepseek-v3-local-hardware-requirements).

**Atualização:** a geração atual da DeepSeek é o DeepSeek-V4 (Flash e Pro), publicado como pesos abertos sob licença MIT (prévia: 24 de abril de 2026). A API da DeepSeek agora serve o V4: os aliases deepseek-chat (geração V3) e deepseek-reasoner (geração R1) foram anunciados como totalmente desativados após 24 de julho de 2026. Os destilados do R1 são lançamentos de pesos abertos independentes, não faziam parte desse aviso e continuam rodando localmente. O V4 em si não é um modelo para GPU de consumo: o V4-Pro tem 1.6T de parâmetros no total (49B ativos) e o V4-Flash original 284B (13B ativos). Mesmo com precisão de 4 bits (parâmetros × 0.5 byte), só os pesos exigem cerca de 140 GB (Flash) a 800 GB (Pro), e as fichas de modelo da DeepSeek não listam nenhum requisito de GPU. Para raciocínio em uma única GPU de consumo, os destilados continuam sendo a escolha prática.

Guias relacionados

• ▸Melhor distill do DeepSeek para sua GPU — combine sua placa com um distill, além do comando do Ollama e os tok/s esperados
• ▸Melhor modelo de raciocínio local 2026: DeepSeek-R1 no ranking — o guia completo com ranking e benchmarks
• ▸Requisitos de hardware local do DeepSeek-V3 — a contraparte do modelo de chat V3