Сервер для DeepSeek V4 Flash и V4.1 локально — память, требования, сборки

DeepSeek выкладывает веса своих моделей с лицензией MIT — их можно запустить на своём сервере, без облака и без очереди «сервер занят». Это большие модели: DeepSeek V4 Flash в 4 битах занимает 155 ГБ, V4.1 Flash — 501 ГБ. Поэтому у них два пути: модель в оперативной памяти сервера плюс одна видеокарта или модель целиком в видеопамяти нескольких карт. Ниже — сколько памяти нужно и ссылки на готовые сборки.

Сборка под DeepSeek V4 Flash Все модели

Модели и сборки

Модель	Главное применение	Нужно на «Экономично»	Сборка
DeepSeek V4 Flash	русскоязычный ассистент высокого уровня	ОЗУ 200 ГБ + карта 24 ГБ	башня · в стойку
DeepSeek V4.1 Flash 763B	лучшее качество без облака	ОЗУ 573 ГБ + карта 30 ГБ	башня · в стойку

Какую взять. DeepSeek V4 Flash — в разы доступнее по железу и в тесте Habr на русском языке одна из лучших открытых моделей. DeepSeek V4.1 Flash (17 октября 2026) — вместе с GLM-5.3 лучшая открытая модель по индексу Artificial Analysis, но требует около 520–580 ГБ памяти.

Модель в оперативной памяти. У моделей «смесь экспертов» на каждый токен читается малая часть весов (у V4 Flash — 13 млрд из 284 млрд), поэтому их можно держать в оперативной памяти сервера на AMD EPYC 9004/9005 или Intel Xeon 6 со всеми заполненными каналами DDR5, а на видеокарту вынести общие слои и кэш контекста (llama.cpp с --n-cpu-moe или ktransformers). Это медленнее, чем целиком в видеопамяти, зато в разы дешевле.

Уровни: Экономично — самый доступный вариант, на котором модель работает целиком; Сбалансировано — больше бит и длиннее окно; С запасом — несколько пользователей сразу. Цена в тексте не указана: она меняется каждый день и показывается в конфигураторе по ссылке.

DeepSeek V4 Flash 284B-A13B

Быстрая версия DeepSeek V4: 284 млрд параметров, на токен — 13 млрд, контекст до 1 млн токенов. В тесте Habr на русском языке — одна из лучших открытых моделей.

Для чего: русскоязычный ассистент высокого уровня, рассуждения, код, работа с очень длинными документами.

Разработчик: DeepSeek, выпуск — июль 2026.
Параметров: 284 млрд, из них на каждый токен работают 13 млрд («смесь экспертов», MoE).
Понимает: текст.
Контекст: до 1 млн токенов.
Лицензия: MIT. Русский язык: очень хорошо.
Веса: Hugging Face (deepseek-ai/DeepSeek-V4-Flash), файлы GGUF для llama.cpp; в библиотеке Ollama модели нет.

Сколько видеопамяти нужно одному пользователю — веса, кэш контекста в 8 битах и служебная память:

Сжатие	Файл модели	Видеопамяти с окном 32 тыс. токенов	С окном 128 тыс.
UD-Q4_K_XL (4 бита)	155 ГБ	161 ГБ	162 ГБ

Модель выпущена в FP4/FP8; на Hugging Face есть только 4-битный файл UD-Q4_K_XL, близкий к родному формату. Q6 и Q8 для неё не выпускают.

Готовые сборки. Ссылка откроет конфигуратор со сборкой из деталей в наличии и ценой на сегодня; уровень и корпус там можно поменять.

Уровень	Что заложено	Нужно	Подойдёт	Готовая сборка
Экономично	модель в оперативной памяти сервера (EPYC или Xeon 6, все каналы DDR5) + видеокарта под общие слои и кэш	ОЗУ 200 ГБ + карта 24 ГБ	сервер на EPYC или Xeon 6 + карта от 24 ГБ	башня · в стойку
Сбалансировано	4 бита (UD-Q4_K_XL) целиком в видеопамяти, окно 64 тыс. токенов, 1 пользователь	161 ГБ	2 × 96 или 4 × 48 ГБ	башня · в стойку
С запасом	4 бита (UD-Q4_K_XL) целиком в видеопамяти, 4 пользователя по 32 тыс. токенов (vLLM)	180 ГБ	2 × 96 или 4 × 48 ГБ	башня · в стойку

DeepSeek V4.1 Flash 763B

Свежая модель DeepSeek (17 октября 2026): 763 млрд параметров, на токен — около 16 млрд, контекст 1 млн токенов, MIT. Вместе с GLM-5.3 — лучшая открытая модель по индексу Artificial Analysis.

Для чего: лучшее качество без облака при свободной лицензии, длинные документы, код.

Разработчик: DeepSeek, выпуск — октябрь 2026.
Параметров: 763 млрд, из них на каждый токен работают 16 млрд («смесь экспертов», MoE).
Понимает: текст, картинки.
Контекст: до 1 млн токенов.
Лицензия: MIT. Русский язык: очень хорошо.
Веса: Hugging Face (deepseek-ai/DeepSeek-V4.1-Flash-1017), файлы GGUF для llama.cpp; в библиотеке Ollama модели нет.

Сколько видеопамяти нужно одному пользователю — веса, кэш контекста в 8 битах и служебная память:

Сжатие	Файл модели	Видеопамяти с окном 32 тыс. токенов	С окном 128 тыс.
UD-Q4_K_XL (4 бита)	501 ГБ	518 ГБ	518 ГБ

Уровень	Что заложено	Нужно	Подойдёт	Готовая сборка
Экономично	модель в оперативной памяти сервера (EPYC или Xeon 6, все каналы DDR5) + видеокарта под общие слои и кэш	ОЗУ 573 ГБ + карта 30 ГБ	сервер на EPYC или Xeon 6 + карта от 30 ГБ	башня · в стойку
Сбалансировано	4 бита (UD-Q4_K_XL) целиком в видеопамяти, окно 64 тыс. токенов, 1 пользователь	518 ГБ	8 × 96 ГБ	в стойку
С запасом	4 бита (UD-Q4_K_XL) целиком в видеопамяти, 4 пользователя по 32 тыс. токенов (vLLM)	576 ГБ	8 × 96 ГБ	в стойку

Как мы считаем видеопамять

Видеопамять = файл модели + проектор картинок (у моделей, которые видят изображения) + кэш контекста в 8 битах + 1 ГБ служебной памяти + 3 % от весов. Кэш растёт с длиной окна и числом одновременных пользователей; для нескольких пользователей (vLLM) берём ещё 10 % запаса. Расчёт сверен с нашим ИИ-сервером: для Qwen 3.8 27B в Q4 формула даёт 20 ГБ, замер — 17,5 ГБ; для Gemma 4 31B QAT — 22 и 19,2 ГБ, то есть с запасом. Если модель не помещается в видеопамять целиком, часть слоёв уходит в оперативную память и ответ замедляется в разы.

Чем запускать

Ollama и LM Studio — проще всего начать, работают на Windows и Linux. llama.cpp — гибкая работа с файлами GGUF, в том числе модель в оперативной памяти с выносом общих слоёв на видеокарту (--n-cpu-moe). vLLM — для нескольких пользователей сразу и для нескольких видеокарт (тензорный параллелизм, поэтому карт 1, 2, 4 или 8). Для больших моделей в оперативной памяти — также ktransformers.

Частые вопросы

Можно ли запустить DeepSeek локально?

Да: веса DeepSeek V4 Flash и V4.1 Flash открыты, лицензия MIT. Нужен сервер: V4 Flash — около 200 ГБ оперативной памяти и видеокарта на 24 ГБ или две RTX PRO 6000 Blackwell (192 ГБ видеопамяти); V4.1 Flash — около 573 ГБ оперативной памяти и карта на 48 ГБ или восемь карт по 96 ГБ.

Какие требования к памяти у DeepSeek V4 Flash?

Файл UD-Q4_K_XL — 155 ГБ. В видеопамяти с окном 64 тыс. токенов нужно около 161 ГБ, для четырёх пользователей — около 180 ГБ: это 2 × 96 ГБ или 4 × 48 ГБ. Вариант с моделью в оперативной памяти — около 200 ГБ ОЗУ плюс видеокарта от 24 ГБ.

Нужна ли видеокарта, если модель в оперативной памяти?

Да, от 24 ГБ: на ней работают общие слои и кэш контекста, без неё ответ будет заметно медленнее. Процессор — AMD EPYC 9004/9005 или Intel Xeon 6, все каналы памяти заполнены: скорость ответа упирается в пропускную способность памяти.

Почему нет вариантов Q6 и Q8?

DeepSeek V4 выпущены в собственном формате FP4/FP8; на Hugging Face есть 4-битный файл UD-Q4_K_XL, близкий к родному. Поэтому уровень «С запасом» — те же веса, но запас памяти под четырёх пользователей.

Сколько стоит сервер для DeepSeek?

Цена зависит от модели, уровня и корпуса и меняется вместе с ценами видеокарт, поэтому в тексте её нет. Нажмите ссылку на сборку — конфигуратор покажет состав и цену на сегодня из деталей в наличии; там же можно сменить уровень, корпус или любую деталь.

Сколько времени занимает сборка и доставка?

Собираем из деталей в наличии и тестируем за 4–5 дней после оплаты. Доставка по России бесплатная — до адреса, со страховкой.

Как оплатить и какая гарантия?

Безналичный расчёт по договору, цены с НДС — работаем с юридическими лицами. Гарантия — 1 год на сервер и комплектующие.