DeepSeek V4 Flash : configuration GPU requise, VRAM et GPU le moins cher
DeepSeek V4 Flash compte 290,9 Md paramètres, publiés en FP4. C’est un modèle à mélange d’experts : 6 de ses 256 experts traitent chaque token, soit environ 20,4 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
- 290,9 Md
- Empreinte minimale (INT4)
- environ 170 Go
- GPU le moins cher par heure (FP16)
- 2,39 $US
- Type
- Texte
deepseek-ai/DeepSeek-V4-Flash
- Paramètres 290,9 Md
- Actifs par token 20,4 Md
- Type Texte
- Tâche text-generation
- Contexte max. 1024K
- Licence mit
- Téléchargements 1,2 M
- J’aime 2,4 k
Calcul pour DeepSeek V4 Flash
Plus de réglages
DeepSeek V4 Flash demande environ 642 Go de mémoire GPU
Inférence (vLLM), FP16 / BF16, contexte de 8K tokens, une requête à la fois.
Où va la mémoire
- Poids 582 Go
- Cache KV 0,72 Go
- Surcoût du moteur 59 Go
- Total 642 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 | 4 × MI300X 192GBLa moins chèreCDNA 3 · HBM3 | 2,39 $US | 4 | 9,56 $US | 6 979 $US | RunPod (s’ouvre dans un nouvel onglet)4x MI300X |
| 2 | 8 × RTX PRO 6000 96GBBlackwell · GDDR7 | 1,80 $US | 8 | 14,40 $US | 10 512 $US | Nebius (s’ouvre dans un nouvel onglet)8x RTX PRO 6000 96GB |
| 3 | 8 × H100 NVL 94GBHopper · HBM3 | 3,19 $US | 8 | 25,52 $US | 18 630 $US | RunPod (s’ouvre dans un nouvel onglet)8x H100 NVL |
| 4 | 6 × H200 141GBHopper · HBM3e | 3,79 $US | 6vendue avec 8 GPU ; il vous en faut 6 | 30,32 $US | 22 134 $US | RunPod (s’ouvre dans un nouvel onglet)8x H200 NVL |
| 5 | 4 × B200 180GBBlackwell · HBM3e | 7,79 $US | 4 | 31,16 $US | 22 747 $US | Lambda (s’ouvre dans un nouvel onglet)4x B200 SXM6 |
| 6 | 3 × B300 288GBBlackwell Ultra · HBM3e | 8,99 $US | 3vendue avec 4 GPU ; il vous en faut 3 | 35,96 $US | 26 251 $US | RunPod (s’ouvre dans un nouvel onglet)4x B300 |
| 7 | 4 × GB200 186GBBlackwell · HBM3e | 10,50 $US | 4 | 42,00 $US | 30 660 $US | CoreWeave (s’ouvre dans un nouvel onglet)GB200 NVL72 |
| Plus de 8 : plusieurs nœuds nécessaires: 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 | 4x MI300Xus | 2,39 $US | 4 × MI300X 192GB | environ 9,56 $US | environ 6 979 $US |
| Nebius (s’ouvre dans un nouvel onglet) | 8x RTX PRO 6000 96GBeu/us | 1,80 $US | 8 × RTX PRO 6000 96GB | environ 14,40 $US | environ 10 512 $US |
| Vast.ai (s’ouvre dans un nouvel onglet) | 8x RTX PRO 6000 S (median of 4 offers)place de marché mondiale | 2,23 $US | 8 × RTX PRO 6000 96GB | environ 17,87 $US | environ 13 045 $US |
| CoreWeave (s’ouvre dans un nouvel onglet) | RTX PRO 6000 Blackwell Server Edition (High Memory)us | 2,50 $US | 8 × RTX PRO 6000 96GB | environ 20,00 $US | environ 14 600 $US |
| Lambda (s’ouvre dans un nouvel onglet) | 4x B200 SXM6us | 7,79 $US | 4 × B200 180GB | environ 31,16 $US | environ 22 747 $US |
| Vultr (s’ouvre dans un nouvel onglet) | vbm-256c-2048gb-8-mi300x-gpu (bare metal)us | 3,99 $US | 4 × MI300X 192GB vendue avec 8 GPU ; il vous en faut 4 | environ 31,92 $US | environ 23 302 $US |
| AWS (s’ouvre dans un nouvel onglet) | g7e.48xlargeus-east-1 | 4,14 $US | 8 × RTX PRO 6000 96GB | environ 33,14 $US | environ 24 195 $US |
| Google Cloud (s’ouvre dans un nouvel onglet) | g4-standard-384us-central1 | 4,50 $US | 8 × RTX PRO 6000 96GB | environ 36,00 $US | environ 26 280 $US |
| Azure (s’ouvre dans un nouvel onglet) | ND128isr_NDR_GB200_v6eastus | 27,04 $US | 4 × GB200 186GB | environ 108,16 $US | environ 78 957 $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 | 642 Go | 748 Go | – | 5 126 Go |
| INT8 | 338 Go | – | – | – |
| INT4 | 170 Go | – | 276 Go | – |
Le GPU le moins cher par précision
Inférence avec un contexte de 8K et une requête à la fois.
FP16 / BF16
environ 642 Go · 8K tokens
Les poids tels que publiés. Aucune perte, mais l’empreinte la plus lourde.
4 × MI300X 192GB
RunPod (s’ouvre dans un nouvel onglet) · 4x MI300X
- Par GPU / h
- 2,39 $US
- GPU nécessaires
- 4
- Total / h
- environ 9,56 $US
- par mois, 24/7, environ
- 6 979 $US
INT8
environ 338 Go · 8K tokens
Des poids deux fois plus légers. Pour le chat et le RAG, la différence se voit à peine.
8 × A40 48GB
RunPod (s’ouvre dans un nouvel onglet) · 8x A40
- Par GPU / h
- 0,59 $US
- GPU nécessaires
- 8
- Total / h
- environ 4,72 $US
- par mois, 24/7, environ
- 3 446 $US
INT4
environ 170 Go · 8K tokens
Des poids quatre fois plus légers. Les petites pertes apparaissent d’abord en maths et en code.
4 × A40 48GB
RunPod (s’ouvre dans un nouvel onglet) · 4x A40
- Par GPU / h
- 0,59 $US
- GPU nécessaires
- 4
- Total / h
- environ 2,36 $US
- par mois, 24/7, environ
- 1 723 $US
Inférence ou fine-tuning
Inférence (FP16)
1×
de la mémoire nécessaire à l’inférence
642 Go
4 × MI300X 192GB · environ 9,56 $US
Fine-tuning LoRA
1,2×
de la mémoire nécessaire à l’inférence
748 Go
5 × MI300X 192GB · environ 19,12 $US
Fine-tuning QLoRA
0,4×
de la mémoire nécessaire à l’inférence
276 Go
7 × A40 48GB · environ 4,72 $US
Fine-tuning complet
8×
de la mémoire nécessaire à l’inférence
5 126 Go
plus d’un nœud de 8 GPU
Pour le servir en FP16, 4 × MI300X 192GB (RunPod) suffit. LoRA demande 5 × MI300X 192GB (RunPod), QLoRA 7 × A40 48GB (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 170 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
Oui, avec assez de mémoire. En INT4, il demande environ 170 Go, donc un Mac avec 256 Go ou plus de mémoire unifiée (macOS en laisse environ les trois quarts au GPU). La génération sera plus lente que sur un GPU de centre de données.
Modèles similaires
Des modèles ouverts de taille comparable.
- ERNIE 5.5 Flash BaseTexte286,2 Md · environ 631 Go FP16 · 1,9 k ↓Besoins en GPU
- Hy3Texte298,8 Md · environ 661 Go FP16 · 885,6 k ↓Besoins en GPU
- DeepSeek V4 Flash 0731Texte304,2 Md · environ 671 Go FP16 · 1,6 M ↓Besoins en GPU
- Solar Open 2Texte250,3 Md · environ 553 Go FP16 · 6,2 k ↓Besoins en GPU
- MiniMax M2.5Texte228,7 Md · environ 506 Go FP16 · 907,6 k ↓Besoins en GPU
- Laguna M.1Texte225,8 Md · environ 500 Go FP16 · 594,5 k ↓Besoins en GPU
DeepSeek V4 Flash : questions fréquentes
Combien de VRAM faut-il pour DeepSeek V4 Flash ?
Environ 642 Go en FP16, 338 Go en INT8 et 170 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 Flash ?
4 × MI300X 192GB (environ 2,39 $US par GPU / heure) chez RunPod, pour environ 9,56 $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 Flash sur un seul GPU ?
Pas sur un seul GPU. Même QLoRA demande environ 276 Go, plus que ce que contient un GPU de 80 Go. LoRA demande environ 748 Go et un fine-tuning complet environ 5 126 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 Flash fonctionne-t-il sur un GPU grand public comme la RTX 4090 ?
Pas seule. Même en INT4, il demande environ 170 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 Flash tient-il sur une seule H100 80 Go ?
Non. Même en INT4, il demande environ 170 Go : il faut plusieurs GPU.
Combien de GPU faut-il pour DeepSeek V4 Flash ?
En FP16 avec un contexte de 8K : 9 × 80 Go, 15 × 48 Go ou 30 × 24 Go. En INT4, les poids prennent environ le quart de la mémoire.
Combien de VRAM faut-il pour DeepSeek V4 Flash en INT8 ?
Environ 338 Go : 305 Go pour les poids, 0,72 Go pour un cache KV de 8K et 32 Go de surcoût du moteur.
Combien coûte DeepSeek V4 Flash en fonctionnement 24/7 pendant un mois ?
Environ 6 979 $US avec la configuration la moins chère que nous avons trouvée (4 × MI300X 192GB (environ 2,39 $US par GPU / heure), 9,56 $US de l’heure pendant 730 heures). Le moins cher chez AWS, Google Cloud ou Azure revient à environ 24 195 $US par mois.
FP16, INT8 ou INT4 : lequel choisir ?
Le FP16 garde toute la qualité et demande le plus de mémoire (environ 642 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 170 Go au total, avec une légère baisse de qualité, surtout visible en maths et en code.
DeepSeek V4 Flash fonctionne-t-il sur un Mac ?
Oui, avec assez de mémoire. En INT4, il demande environ 170 Go, donc un Mac avec 256 Go ou plus de mémoire unifiée (macOS en laisse environ les trois quarts au GPU). La génération sera plus lente que sur un GPU de centre de données.
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.