/ Модель

Характеристики

Лицензия
MIT
Базовая модель
DeepSeek-R1-Distill-Llama-70B
Опубликована
9 мая 2026

DeepSeek-R1-Distill-Llama-70B-NVFP4-GGUF

Генерация текстаТекст → текст15 профессий

Квантованная в NVFP4 версия диалоговой DeepSeek-R1-Distill-Llama-70B в формате GGUF для генерации текста, рассуждений и программирования на совместимых GPU NVIDIA Blackwell.

419скачиваний за 30 дней0лайковвеса обновлены9 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

PiehSoft подготовил квантованную версию DeepSeek-R1-Distill-Llama-70B в формате GGUF для запуска на видеокартах NVIDIA Blackwell. Это текстовая диалоговая модель на основе дистиллированной модели DeepSeek с архитектурой Llama; веса квантованы в NVFP4, что снижает требования к памяти и рассчитано на ускорение генерации на совместимом оборудовании. В README указана длина контекста 131072 токена.

Модель подходит для диалогов, математических рассуждений, программирования и ответов на сложные вопросы. Она принимает текст и генерирует текст. По данным карточки, квантование выполнено с использованием 128 калибровочных примеров, после чего веса преобразованы в GGUF; лицензия — MIT.

Это неофициальная конверсия сообщества. В README отмечены незрелость поддержки NVFP4 в экосистеме GGUF и возможные изменения производительности по мере развития реализации; результаты также зависят от совместимого оборудования и программного обеспечения.

Сценарии применения

  • диалоговые ответы на вопросы
  • математические рассуждения и решение задач
  • помощь с написанием и разбором кода
  • ответы на сложные вопросы по текстовому запросу

Ограничения

Это неофициальная конверсия сообщества, а поддержка NVFP4 в GGUF продолжает развиваться. Для заявленного целевого сценария требуется совместимое оборудование NVIDIA Blackwell; реальная скорость зависит от аппаратной и программной конфигурации.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DeepSeek-R1-Distill-Llama-70B-NVFP4-GGUF

NVFP4 GGUF of DeepSeek-R1-Distill-Llama-70B, optimized for NVIDIA Blackwell GPUs (RTX 5090, RTX PRO 6000, B200).

Overview

PropertyValue
Base modeldeepseek-ai/DeepSeek-R1-Distill-Llama-70B
QuantizationNVFP4 (W4A4 — FP4 E2M1 weights, FP8 E4M3 block scales, FP32 global scales)
FormatGGUF (GGML_TYPE_NVFP4, type 40)
Size42.7 GB
BPW~4.84 bits per weight
RequiresNVIDIA Blackwell GPU (SM 120) for native FP4 tensor core acceleration
Speed33.6 tok/s generation on RTX PRO 6000 96GB (single GPU)

Quantization Pipeline

This model was quantized using a custom pipeline:

  1. Quantization tool: vllm-project/llm-compressor v0.10.0.2
  2. Calibration: 128 samples from ultrachat-200k (train_sft split), max_seq_length 2048
  3. Recipe:
    QuantizationModifier:
      targets: [Linear]
      ignore: [lm_head]
      scheme: NVFP4
    
  4. GGUF conversion: llama.cpp PR #21095 branch with two critical fixes:
    • Tensor renaming: weight_packed → weight, weight_global_scale → weight_scale_2, input_global_scale → input_scale
    • Scale inversion: llm-compressor stores weight_global_scale as a large divisor; ggml expects a small multiplier. Fix: store 1.0 / weight_global_scale in the GGUF .scale tensor.

Important: Scale Inversion Fix

If you're converting your own llm-compressor NVFP4 checkpoints to GGUF, you must invert the per-tensor global scale. llm-compressor stores scales like 4320.0 (divide by this to dequantize), while ggml's convention expects 0.000231 (multiply by this). Without this fix, the model loads and runs but produces garbage output.

In convert_hf_to_gguf.py, change:

self._write_scale_tensor(new_name.replace(".weight", ".scale"), scale2)

to:

self._write_scale_tensor(new_name.replace(".weight", ".scale"), 1.0 / scale2.float())

Provenance

ComponentSource
Original base modeldeepseek-ai/DeepSeek-R1-Distill-Llama-70B
NVFP4 checkpointPiehSoft/DeepSeek-R1-Distill-Llama-70B-NVFP4
GGUF conversion toolingllama.cpp (PR #21095)
Quantization hardwareNVIDIA RTX PRO 6000 Blackwell 96GB

Usage

llama-server

./llama-server \
  -m DeepSeek-R1-Distill-Llama-70B-NVFP4.gguf \
  --host 0.0.0.0 \
  --port 8082 \
  -ngl 999

llama-cli

./llama-cli \
  -m DeepSeek-R1-Distill-Llama-70B-NVFP4.gguf \
  -ngl 999 \
  -c 8192 \
  --jinja \
  -p "What is the meaning of life?"

Benchmarks

Tested on RTX PRO 6000 Blackwell 96GB, llama.cpp b9037:

MetricValue
Prompt eval196.5 tok/s
Generation33.6 tok/s
Context131072 (default)
Parallel slots4 (default)
VRAM usage~80 GiB (model + KV cache at 131K context)

Comparison

Backendtok/s
llama.cpp (this GGUF)33.6
vLLM 0.19.0 (compressed-tensors)25.0

Known Issues

  • This is a community conversion, not an official upstream release.
  • The NVFP4 GGUF ecosystem is still maturing. See llama.cpp Discussion #22042 for the ongoing discussion about NVFP4 scale handling.
  • Blackwell-native tensor core dispatch (PR #22196) may improve performance further when merged.

Credits

Quantized and converted by PiehSoft (William Pieh). Built on work by the llama.cpp community, particularly PR #21095 for NVFP4 GGUF conversion support.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
aad8882

0 моделей