01Ce qu'il sait faire
Points forts
- MIT, 1M ctx
- 13B actifs → rapide pour la taille
- Variante Base + Instruct
Limites à connaître
- —170 Go en Q4
- —Quant locale en cours, pas encore officielle
Architecture
MoE 284B/13B actifs · CSA+HCA hybrid · mHC · Muon · FP4+FP8 mixte
Entraînement
Cible « efficient reasoning » à coût réduit vs V4 Pro.
Idéal pour
Raisonnement efficientLong contexteWorkstation
02Mémoire requise
VRAM GPU approximative pour faire tourner ce modèle, overhead contexte de 4k tokens inclus. Pour un contexte plus long, ajoutez ~1 Go par tranche de 8k tokens.
Q4_K_M
Le plus léger, ~5% de perte
170 Go
Q5_K_M
Bon compromis qualité/taille
205 Go
Q8_0
Quasi-indistinguable de FP16
305 Go
FP16
Pleine précision — usage serveur
568 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 200 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
03Vitesse attendue
Tokens générés par seconde en Q4_K_M, contexte 4k. Au-delà de 20 t/s, la lecture est confortable. En dessous de 10 t/s, c'est juste pour tester.
04Installer
Le chemin le plus court : Ollama. Une commande, le modèle est téléchargé et lancé.
$# HuggingFace : deepseek-ai/DeepSeek-V4-Flash (GGUF communautaire en cours)
LM Studio
Interface graphique, zéro CLI
→ Voir le guide
llama.cpp
Perf brute, build from source
→ Voir le guide
vLLM
Serveur OpenAI-compatible prod
→ Voir le guide
Jan / GPT4All
Apps desktop tout-en-un
→ Voir le guide
⚠
Premier téléchargement : entre 2 et 40 Go selon la quantization choisie. Espace disque à prévoir, connexion stable recommandée. Les relances suivantes sont instantanées.