ManzGPU

Modelos de IA

Hype-Generator 3000™: It's a game-changer

Aquí puedes encontrar un listado de modelos de IA locales de DeepSeek, ordenados por parámetros, estimar su cuantización, etc...

1. Modelos (por parámetros)

Texto
Imagen
Visión
Speech
Audio
Video
Omni

Los parámetros son los pesos aprendidos en un modelo de IA. Se calculan en Billions (miles de millones) Determinan cómo procesa los datos y produce resultados. Más parámetros generalmente significa mayor capacidad y mejores resultados, pero también mayores requisitos de memoria y computación. Menos parámetros hacen que el modelo sea más rápido y ligero, pero potencialmente menos preciso o capaz.

El color de cada píldora marca su nivel de tamaño. Pulsa uno de los niveles para quedarte solo con los modelos que caen dentro.

Familias (27)

41modelos

Filtrar por tamaño
Vision
DeepSeek-V4.1
1
763B16B
Text
DeepSeek-V4-DSpark
1
284B13B
Text
DeepSeek-V4
2
284B13B
1.6T49B
Vision
DeepSeek-OCR-2
1
3B
Text
DeepSeek-V3.2
1
671B37B
Text
DeepSeek-Math-V2
1
685B37B
Vision
DeepSeek-OCR
1
3B
Text
DeepSeek-V3.1-Terminus
1
671B37B
Text
DeepSeek-V3.1
1
671B37B
Text
DeepSeek-R1-Qwen3
1
8B
Text
DeepSeek-Prover-V2
1
685B37B
Text
DeepSeek-R1-Llama
2
8B
70B
Text
DeepSeek-R1-Qwen
4
1.5B
7B
14B
32B
Text
DeepSeek-R1
1
671B37B
Text
DeepSeek-V3
1
671B37B
Vision
deepseek-vl2
2
3.4B1B
16B3B
Omni
JanusFlow
1
1.3B
Omni
Janus
3
1B
1.3B
7B
Text
DeepSeek-V2.5
1
236B21B
Text
DeepSeek-Coder-V2
2
15B
236B21B
Text
DeepSeek-V2
2
15B
236B21B
Vision
deepseek-vl
1
7B
Text
deepseek-math
1
7B
Text
deepseek-coder-v1.5
1
7B
Text
deepseek
1
16B3B
Text
deepseek-llm
2
7B
67B
Text
deepseek-coder
4
1.3B
5.7B
6.7B
33B

2. Modelo seleccionado

El modelo seleccionado en el gráfico anterior aparecerá aquí con sus cuantizaciones.

3. Reduciendo tamaño (cuantización)

La cuantización es una técnica utilizada para reducir el tamaño de un modelo local de IA disminuyendo la precisión de sus pesos y cálculos (menos bits por parámetro). Esto hace que el modelo sea mucho más pequeño, rápido y fácil de ejecutar en hardware limitado, pero tiene una desventaja: la menor precisión numérica puede degradar ligeramente la exactitud y el rendimiento general en comparación con el modelo original de precisión completa.

Tus recursos de hardware (GPU, GPU Model KV-cache, RAM):