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.

Familias (25)

Modelo denso
MoE
Modelo extendido
Text
DeepSeek-V4
2026-04
284B13B
2T49B
Vision
DeepSeek-OCR-2
2026-01
3B
Text
DeepSeek-V3.2
2025-12
671B37B
Text
DeepSeek-Math-V2
2025-11
685B
Vision
DeepSeek-OCR
2025-10
3B
Text
DeepSeek-V3.1-Terminus
2025-09
671B37B
Text
DeepSeek-V3.1
2025-08
671B37B
Text
DeepSeek-R1-Qwen3
2025-05
8B
Text
DeepSeek-Prover-V2
2025-04
671B
Text
DeepSeek-R1-Llama
2025-01
8B
70B
Text
DeepSeek-R1-Qwen
2025-01
1.5B
7B
14B
32B
Text
DeepSeek-R1
2025-01
671B37B
Text
DeepSeek-V3
2024-12
671B37B
Vision
deepseek-vl2
2024-12
3.4B1B
16B3B
28B5B
Omni
JanusFlow
2024-11
1.3B
Omni
Janus
2025-01
1B
1.3B
7B
Text
DeepSeek-V2.5
2024-09
235B
Text
DeepSeek-Coder-V2
2024-06
15B
235B
Text
DeepSeek-V2
2024-05
15B
235B
Vision
deepseek-vl
2024-03
1.3B
Text
deepseek-math
2024-02
7B
Text
deepseek-coder-v1.5
2024-01
7B
Text
deepseek
2024-01
16B3B
Text
deepseek-llm
2023-11
7B
67B
Text
deepseek-coder
2023-10
1.3B
5.7B
6.7B
33B
40 modelos

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):