DeepSeek-V4.1-Flash : configuration GPU requise, VRAM et GPU le moins cher
DeepSeek-V4.1-Flash compte 763,2 Md paramètres, publiés en FP4. C’est un modèle à mélange d’experts : 6 de ses 384 experts traitent chaque token, soit environ 228,1 Md paramètres, il génère donc à peu près à la vitesse d’un modèle de cette taille. Tous les experts doivent malgré tout résider en mémoire GPU, d’où des chiffres de mémoire ci-dessous pour le modèle complet. Il est publié sous mit, qui autorise l’usage commercial.
- Paramètres
- 763,2 Md
- Empreinte minimale (INT4)
- environ 442 Go
- GPU le moins cher par heure (FP16)
- 8,99 $US
- Type
- Vision
deepseek-ai/DeepSeek-V4.1-Flash
Voir sur Hugging Face (s’ouvre dans un nouvel onglet)Lire notre test
- Paramètres 763,2 Md
- Actifs par token 228,1 Md
- Type Vision
- Tâche image-text-to-text
- Contexte max. 1024K
- Licence mit
- Téléchargements 1,4 M
- J’aime 5 k
Calcul pour DeepSeek-V4.1-Flash
Plus de réglages
DeepSeek-V4.1-Flash demande environ 1 681 Go de mémoire GPU
Inférence (vLLM), FP16 / BF16, contexte de 8K tokens, une requête à la fois.
Où va la mémoire
- Poids 1 526 Go
- Cache KV 0,67 Go
- Surcoût du moteur 154 Go
- Total 1 681 Go
Le nombre de GPU laisse 10 % de chaque carte libre pour les pics. Prévoyez davantage si vous attendez de longs prompts ou beaucoup d’utilisateurs en même temps.
| Rang | Configuration | Par GPU / h | GPU nécessaires | Total / h | Total / mois (24/7) | Fournisseur |
|---|---|---|---|---|---|---|
| 1 | 7 × B300 288GBLa moins chèreBlackwell Ultra · HBM3e | 8,99 $US | 7vendue avec 8 GPU ; il vous en faut 7 | 71,92 $US | 52 502 $US | RunPod (s’ouvre dans un nouvel onglet)8x B300 |
| Plus de 8 : plusieurs nœuds nécessaires: MI300X 192GB, GB200 186GB, B200 180GB, H200 141GB, GH200 96GB, H100 NVL 94GB, RTX PRO 6000 96GB, H100 80GB, A100 80GB, L40S 48GB, RTX 6000 Ada 48GB, RTX A6000 48GB, A40 48GB, A100 40GB, RTX 5090 32GB, RTX 4090 24GB, RTX 3090 24GB, L4 24GB, A10 24GB, T4 16GB, V100 16GB | ||||||
| Fournisseur | Instance | Par GPU / h | GPU nécessaires | Total / h | Total / mois (24/7) |
|---|---|---|---|---|---|
| RunPod (s’ouvre dans un nouvel onglet)La moins chère | 8x B300us | 8,99 $US | 7 × B300 288GB vendue avec 8 GPU ; il vous en faut 7 | environ 71,92 $US | environ 52 502 $US |
| Nebius (s’ouvre dans un nouvel onglet) | 8x B300 288GBeu/us | 9,50 $US | 7 × B300 288GB vendue avec 8 GPU ; il vous en faut 7 | environ 76,00 $US | environ 55 480 $US |
| AWS (s’ouvre dans un nouvel onglet) | p6-b300.48xlargeus-east-1 | 17,80 $US | 7 × B300 288GB vendue avec 8 GPU ; il vous en faut 7 | environ 142,42 $US | environ 103 964 $US |
Prix relevés le 16 nov. 2026. Tous les coûts sont approximatifs : à la demande, en dollars US, surtout des régions des États-Unis (les places de marché comme Vast.ai et Lium sont mondiales).
Mémoire par précision et par usage
| Précision | Inférence | Fine-tuning LoRA | Fine-tuning QLoRA | Fine-tuning complet |
|---|---|---|---|---|
| FP16 / BF16 | 1 681 Go | 1 954 Go | – | 13 439 Go |
| INT8 | 883 Go | – | – | – |
| INT4 | 442 Go | – | 716 Go | – |
Le GPU le moins cher par précision
Inférence avec un contexte de 8K et une requête à la fois.
FP16 / BF16
environ 1 681 Go · 8K tokens
Les poids tels que publiés. Aucune perte, mais l’empreinte la plus lourde.
7 × B300 288GB
RunPod (s’ouvre dans un nouvel onglet) · 8x B300
vendue avec 8 GPU ; il vous en faut 7- Par GPU / h
- 8,99 $US
- GPU nécessaires
- 7
- Total / h
- environ 71,92 $US
- par mois, 24/7, environ
- 52 502 $US
INT8
environ 883 Go · 8K tokens
Des poids deux fois plus légers. Pour le chat et le RAG, la différence se voit à peine.
6 × MI300X 192GB
RunPod (s’ouvre dans un nouvel onglet) · 8x MI300X
vendue avec 8 GPU ; il vous en faut 6- Par GPU / h
- 2,39 $US
- GPU nécessaires
- 6
- Total / h
- environ 19,12 $US
- par mois, 24/7, environ
- 13 958 $US
INT4
environ 442 Go · 8K tokens
Des poids quatre fois plus légers. Les petites pertes apparaissent d’abord en maths et en code.
3 × MI300X 192GB
RunPod (s’ouvre dans un nouvel onglet) · 4x MI300X
vendue avec 4 GPU ; il vous en faut 3- Par GPU / h
- 2,39 $US
- GPU nécessaires
- 3
- Total / h
- environ 9,56 $US
- par mois, 24/7, environ
- 6 979 $US
Inférence ou fine-tuning
Inférence (FP16)
1×
de la mémoire nécessaire à l’inférence
1 681 Go
7 × B300 288GB · environ 71,92 $US
Fine-tuning LoRA
1,2×
de la mémoire nécessaire à l’inférence
1 954 Go
8 × B300 288GB · environ 71,92 $US
Fine-tuning QLoRA
0,4×
de la mémoire nécessaire à l’inférence
716 Go
5 × MI300X 192GB · environ 19,12 $US
Fine-tuning complet
8×
de la mémoire nécessaire à l’inférence
13 439 Go
plus d’un nœud de 8 GPU
Pour le servir en FP16, 7 × B300 288GB (RunPod) suffit. LoRA demande 8 × B300 288GB (RunPod), QLoRA 5 × MI300X 192GB (RunPod) et un fine-tuning complet plus d’un nœud de 8 GPU. L’entraînement garde en mémoire les activations et l’état de l’optimiseur en plus des poids, d’où un besoin fréquent de plus de GPU que pour servir le même modèle.
Fonctionne-t-il sur un Mac ou une seule RTX 4090 ?
RTX 4090 (24 Go)
Pas seule. Même en INT4, il demande environ 442 Go, plus que les 24 Go de la carte. Deux cartes ou plus, ou un GPU de centre de données plus grand, suffisent.
Mac avec puce Apple
Pas de façon réaliste. Même en INT4, il demande environ 442 Go, plus que ce que le plus grand Mac peut donner à son GPU.
L’héberger vous-même ou payer au token ?
L’héberger vous-même
La configuration FP16 la moins chère que nous ayons trouvée est 7 × B300 288GB chez RunPod, environ 52 502 $US par mois en continu. Intéressant pour un trafic régulier ou des données qui doivent rester sur vos machines.
Passer par une API hébergée
Notre test de DeepSeek-V4.1-Flash indique où l’utiliser via une API et à quel prix. Payer au token revient souvent moins cher pour un trafic faible ou irrégulier.
Lire notre testModèles similaires
Des modèles ouverts de taille comparable.
- DeepSeek V4.1 Flash 1017Vision763,2 Md · environ 1 681 Go FP16 · 505,4 k ↓Besoins en GPU
- Muse Spark OpenVision822 Md · environ 1 810 Go FP16 · 14,4 k ↓Besoins en GPU
- InklingVision952,4 Md · environ 2 099 Go FP16 · 1,3 M ↓Besoins en GPU
- MiniMax-M3Vision427 Md · environ 942 Go FP16 · 104,6 k ↓Besoins en GPU
- Qwen3.5-397B-A17BVision403,4 Md · environ 889 Go FP16 · 645,4 k ↓Besoins en GPU
- Llama 4 MaverickVision401,6 Md · environ 886 Go FP16 · 14,4 k ↓Besoins en GPU
DeepSeek-V4.1-Flash : questions fréquentes
Combien de VRAM faut-il pour DeepSeek-V4.1-Flash ?
Environ 1 681 Go en FP16, 883 Go en INT8 et 442 Go en INT4, avec un contexte de 8K et une requête à la fois. Un contexte plus long et davantage de requêtes en parallèle ajoutent du cache KV.
Quel est le GPU le moins cher pour faire tourner DeepSeek-V4.1-Flash ?
7 × B300 288GB (environ 8,99 $US par GPU / heure; vendue avec 8 GPU ; il vous en faut 7) chez RunPod, pour environ 71,92 $US de l’heure en inférence FP16 / BF16 avec un contexte de 8K. Prix relevés le 16 nov. 2026 ; ils changent souvent.
Peut-on faire le fine-tuning de DeepSeek-V4.1-Flash sur un seul GPU ?
Pas sur un seul GPU. Même QLoRA demande environ 716 Go, plus que ce que contient un GPU de 80 Go. LoRA demande environ 1 954 Go et un fine-tuning complet environ 13 439 Go.
Comment ces chiffres sont-ils calculés ?
Les poids correspondent aux paramètres multipliés par les octets par paramètre (2 en FP16, 1 en INT8, 0,5 en INT4). Le cache KV dépend des couches, des têtes KV, de la taille de tête et de la longueur de contexte du modèle. Nous ajoutons environ 10 % plus 1 Go pour le moteur et remplissons chaque GPU à 90 %. Les prix sont les tarifs catalogue à la demande dans les régions des États-Unis, relevés sur la page publique de chaque fournisseur.
DeepSeek-V4.1-Flash fonctionne-t-il sur un GPU grand public comme la RTX 4090 ?
Pas seule. Même en INT4, il demande environ 442 Go, plus que les 24 Go de la carte. Deux cartes ou plus, ou un GPU de centre de données plus grand, suffisent.
DeepSeek-V4.1-Flash tient-il sur une seule H100 80 Go ?
Non. Même en INT4, il demande environ 442 Go : il faut plusieurs GPU.
Combien de GPU faut-il pour DeepSeek-V4.1-Flash ?
En FP16 avec un contexte de 8K : 24 × 80 Go, 39 × 48 Go ou 78 × 24 Go. En INT4, les poids prennent environ le quart de la mémoire.
Combien de VRAM faut-il pour DeepSeek-V4.1-Flash en INT8 ?
Environ 883 Go : 801 Go pour les poids, 0,67 Go pour un cache KV de 8K et 81 Go de surcoût du moteur.
Combien coûte DeepSeek-V4.1-Flash en fonctionnement 24/7 pendant un mois ?
Environ 52 502 $US avec la configuration la moins chère que nous avons trouvée (7 × B300 288GB (environ 8,99 $US par GPU / heure; vendue avec 8 GPU ; il vous en faut 7), 71,92 $US de l’heure pendant 730 heures). Le moins cher chez AWS, Google Cloud ou Azure revient à environ 103 964 $US par mois.
FP16, INT8 ou INT4 : lequel choisir ?
Le FP16 garde toute la qualité et demande le plus de mémoire (environ 1 681 Go ici). L’INT8 divise les poids par deux avec peu de perte pour la plupart des usages de chat. L’INT4 (AWQ, GPTQ ou GGUF Q4) les réduit au quart, environ 442 Go au total, avec une légère baisse de qualité, surtout visible en maths et en code.
DeepSeek-V4.1-Flash fonctionne-t-il sur un Mac ?
Pas de façon réaliste. Même en INT4, il demande environ 442 Go, plus que ce que le plus grand Mac peut donner à son GPU.
vLLM ou llama.cpp ?
vLLM est conçu pour servir de nombreuses requêtes à la fois sur des GPU NVIDIA et AMD et réserve l’essentiel de la mémoire GPU au cache KV. llama.cpp lit les fichiers GGUF sur presque tout, Mac et CPU compris, et convient à une personne ou à une petite équipe. À précision égale, la mémoire nécessaire est proche.
Prix relevés le 16 nov. 2026. Tous les coûts sont approximatifs : à la demande, en dollars US, surtout des régions des États-Unis (les places de marché comme Vast.ai et Lium sont mondiales).
Notre méthode de calcul
- Poids. Paramètres multipliés par les octets par paramètre : 2 en FP16, 1 en INT8, 0,5 en INT4, plus environ 5 % pour les échelles de quantification en INT8 et INT4.
- Cache KV. 2 × couches × têtes KV × taille de tête × contexte × requêtes × 2 octets, d’après le config.json du modèle. Si une valeur manque, nous l’estimons et le signalons.
- Surcoût. Environ 10 % plus 1 Go pour le moteur, dans la ligne de ce que réserve vLLM.
- Fine-tuning. LoRA garde des poids en 16 bits et ajoute un petit adaptateur, son optimiseur et les activations. QLoRA fait de même sur des poids en 4 bits. Un fine-tuning complet demande environ 16 octets par paramètre avec Adam en précision mixte (poids, gradients et états de l’optimiseur), plus les activations.
- GPU. Nous remplissons chaque GPU à 90 % de sa mémoire et nous arrêtons à 8 par nœud. Les coûts sont les prix catalogue à la demande dans les régions des États-Unis ; pour les places de marché, nous montrons l’offre médiane.