Réponse rapide
Comment exécuter DeepSeek V4 sur un GPU cloud ?
Pour exécuter DeepSeek V4 sur un GPU cloud, louez assez de VRAM pour ses poids plus environ 20 % : V4 Flash (284B paramètres, 159,6 GB de poids) nécessite au moins deux H200, et le cookbook SGLang en documente quatre ; V4 Pro (1.6T, 864,7 GB) nécessite huit H200. Servez-le avec vLLM ou SGLang. Au 29 octobre 2026, GPUwithCrypto loue le H200 à 3,07 $/heure par GPU, payé en crypto.
DeepSeek V4 en un coup d'œil (Hugging Face, consulté le 29 octobre 2026)
| Modèles | DeepSeek-V4-Flash et DeepSeek-V4-Pro, poids ouverts sous licence MIT |
|---|---|
| Paramètres | Flash : 284B au total, 13B activés par token · Pro : 1.6T au total, 49B activés |
| Format des poids | Mixte : poids des experts MoE en FP4, la plupart des autres poids en FP8 |
| Poids sur disque | Flash 159,6 GB (46 fichiers) · Pro 864,7 GB (64 fichiers) |
| Longueur de contexte | 1 million de tokens ; DeepSeek recommande au moins 384K pour le mode Think Max |
| Moteurs de serving sur la carte du modèle | vLLM et SGLang |
| Conseils d'échantillonnage sur la carte | temperature 1.0, top_p 1.0 |
De combien de VRAM DeepSeek V4 a-t-il besoin ?
Flash nécessite environ 191,5 GB et Pro environ 1 037,6 GB : les poids publiés × 1,2. DeepSeek V4 est un modèle mixture-of-experts. Seuls 13B (Flash) ou 49B (Pro) paramètres travaillent sur chaque token, ce qui réduit le calcul, pas la mémoire : chaque expert doit résider en VRAM. Son attention compressée garde un KV cache réduit, donc la formule habituelle de cache par token pour les modèles de type Llama ne s'applique pas. La règle poids × 1,2 pour les autres modèles est sur de combien de VRAM ai-je besoin ?
Quels GPU accueillent DeepSeek V4 ?
Minimum théorique = le plus petit nombre de GPU dont la VRAM cumulée contient les poids × 1,2. Configurations documentées = ce que décrivent les recettes vLLM et le cookbook SGLang. Notre prix par heure pour la configuration complète, 29 octobre 2026.
| Modèle | Poids | × 1.2 | Minimum théorique | Configurations documentées | GPUwithCrypto par heure |
|---|---|---|---|---|---|
| V4 Flash | 159.6 GB | 191.5 GB | 2× H200 (282 GB) ou 2× B200 (360 GB) | SGLang : 4 GPU sur H200 ou B200, 8 sur H100 · vLLM : 4 GPU par réplica sur H200 ou B200 | $6.14/heure ; $12.28/heure pour la configuration documentée |
| V4 Pro | 864.7 GB | 1,037.6 GB | 8× H200 (1 128 GB) ou 8× B200 (1 440 GB) | SGLang : 8 GPU sur H200 ou B200 ; H100 nécessite deux nœuds de 8 GPU · vLLM : 8 GPU sur H200, contexte limité à 800K tokens | $24.56/heure |
Prix vérifiés le
8× H100 (640 GB) est trop petit pour V4 Pro, et nos hôtes ont au maximum 8 GPU. La page H100 vs H200 compare leur mémoire et leur prix. H100 et H200 n'ont pas de Tensor Cores FP4 : SGLang exécute les experts FP4 dessus avec des kernels W4A16, tandis que le B200 exécute le FP4 nativement.
Comment servir DeepSeek V4 Flash avec vLLM ?
La configuration ci-dessous est celle que recommande la recette vLLM : quatre GPU, data parallel plus expert parallel. Chaque flag provient de cette recette.
Louer quatre H200
Démarrez une instance 4× H200 (564 GB). Vérifiez que son disque contient les 159,6 GB de poids plus de la place pour les logs. Chaque instance dispose d'un disque NVMe local, dimensionné pour son GPU et affiché avant le démarrage. Le disque est effacé quand vous supprimez l'instance, alors copiez d'abord vos checkpoints.
Installer vLLM
Installez la dernière version étiquetée de vLLM ; la recette demande vLLM 0.20.0 ou plus récent pour ce modèle. Vous pouvez aussi démarrer l'instance à partir de l'image Docker
vllm/vllm-openai.Télécharger les poids
hf download deepseek-ai/DeepSeek-V4-Flashenregistre les 46 fichiers de poids dans le cache Hugging Face. vLLM les télécharge aussi au premier démarrage.Démarrer le serveur
Exécutez la commande ci-dessous. Elle se lie à 127.0.0.1, de sorte que l'API n'est joignable que via votre tunnel SSH.
Envoyer une requête
Redirigez le port 8000 via SSH et appelez l'endpoint compatible OpenAI
/v1/chat/completions.Arrêter l'instance une fois terminé
Les instances sont facturées à la minute au tarif horaire pendant qu'elles tournent, à partir des GPU-heures achetées pour ce GPU. Arrêter une instance arrête immédiatement la facturation.
pip install -U vllm
hf download deepseek-ai/DeepSeek-V4-Flash
vllm serve deepseek-ai/DeepSeek-V4-Flash \
--trust-remote-code \
--data-parallel-size 4 \
--enable-expert-parallel \
--kv-cache-dtype fp8 \
--block-size 256 \
--tokenizer-mode deepseek_v4 \
--reasoning-parser deepseek_v4 \
--tool-call-parser deepseek_v4 \
--enable-auto-tool-choice \
--host 127.0.0.1 --port 8000
# forward the API port (host and SSH port are shown in the dashboard)
ssh -N -L 8000:127.0.0.1:8000 -p SSH_PORT root@HOST
# in another terminal
curl http://127.0.0.1:8000/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"model": "deepseek-ai/DeepSeek-V4-Flash", "messages": [{"role": "user", "content": "Explain the KV cache in two sentences."}]}'
Comment servir DeepSeek V4 avec SGLang à la place ?
Démarrez l'instance à partir de l'image Docker lmsysorg/sglang:latest, que le cookbook SGLang liste pour H100, H200 et B200, et utilisez le parallélisme tensoriel : --tp 4 pour Flash sur quatre H200, --tp 8 pour Flash sur huit H100 ou pour Pro sur huit H200. L'API répond sur le port 30000 avec les mêmes routes compatibles OpenAI.
python3 -m sglang.launch_server \
--model-path deepseek-ai/DeepSeek-V4-Flash \
--trust-remote-code \
--tp 4 \
--host 127.0.0.1 \
--port 30000
Comment servir DeepSeek V4 Pro ?
Sur huit H200, avec un parallélisme de données sur les huit GPU. La recette vLLM pour H200 plafonne le contexte à 800K tokens pour laisser de la place au cache, car les poids denses sont copiés sur chaque GPU. Pour le mode Think Max, gardez au moins 384K tokens de contexte, comme le recommande DeepSeek.
vllm serve deepseek-ai/DeepSeek-V4-Pro \
--trust-remote-code \
--data-parallel-size 8 \
--enable-expert-parallel \
--max-model-len 800000 \
--kv-cache-dtype fp8 \
--block-size 256 \
--tokenizer-mode deepseek_v4 \
--reasoning-parser deepseek_v4 \
--host 127.0.0.1 --port 8000
Combien coûte l'exécution de DeepSeek V4 par heure ?
À nos prix, V4 Flash sur la configuration documentée à quatre H200 coûte $12.28/heure, et V4 Pro sur huit H200 coûte $24.56/heure. Une journée complète d'un H200 revient à $73.68. Fournisseur par fournisseur : prix de location des H200.
Les poids de Pro font 5,4 fois la taille de ceux de Flash (864,7 contre 159,6 GB). Selon le relevé de prix de GPUwithCrypto du 29 octobre 2026, le prix on-demand en self-serve le plus bas pour un H200 était de $3.62 par GPU-heure (Massed Compute) : 14,48 $ par heure pour quatre GPU et 28,96 $ pour huit. Tous les prix : tarifs.
Quel checkpoint DeepSeek V4 dois-je télécharger ?
Commencez par deepseek-ai/DeepSeek-V4-Flash ou deepseek-ai/DeepSeek-V4-Pro, les dépôts créés le 22 avril 2026, dont les fiches donnent les chiffres ci-dessus. DeepSeek a ensuite publié des checkpoints mis à jour, DeepSeek-V4-Flash-0731 et DeepSeek-V4-Pro-0813, avec une tête de draft intégrée pour le décodage spéculatif ; la recette vLLM demande vLLM 0.25.0 ou plus récent pour ceux-ci. Les dépôts -Base servent au pré-entraînement complémentaire, pas au chat ni aux appels d'outils.
Questions sur DeepSeek V4
De combien de VRAM ai-je besoin pour DeepSeek V4 Flash ?
Environ 191,5 GB : 159,6 GB de poids plus 20 %. Deux H200 (282 GB) le tiennent selon cette règle ; le cookbook SGLang et la recette vLLM documentent tous deux quatre H200, ce qui laisse plus de place au cache et aux utilisateurs parallèles.
De combien de VRAM ai-je besoin pour DeepSeek V4 Pro ?
Environ 1 037,6 GB : 864,7 GB de poids plus 20 %. Huit H200 (1 128 GB) ou huit B200 (1 440 GB) le tiennent sur un seul hôte. Huit H100 (640 GB) ne suffisent pas.
Puis-je exécuter DeepSeek V4 sur des H100 ?
V4 Flash, oui : le cookbook SGLang documente huit H100 avec --tp 8. V4 Pro nécessite deux nœuds H100 de 8 GPU dans le cookbook, plus qu'une de nos instances ne peut contenir, alors utilisez huit H200.
Puis-je exécuter DeepSeek V4 sur un seul GPU ?
Pas sur les GPU que nous louons. Le plus gros, un B200 de 180 GB, tient les 159,6 GB de poids de Flash mais ne laisse que 20 GB pour le cache, en dessous de la marge de 20 %. Deux GPU est le minimum.
Puis-je payer les H200 en crypto ?
Oui. GPUwithCrypto accepte BTC, USDT, USDC, ETH, SOL, LTC depuis une recharge 25 $US, sans pièce d'identité ni carte. Les GPU-heures sont vendues par blocs de 10, 24, 168 ou 720 heures pour un modèle de GPU, au même tarif horaire ; les instances de ce GPU y sont prélevées à la minute, et les heures non utilisées n'expirent jamais.
Sources (8)
- Fiche modèle et fichiers DeepSeek-V4-Flash — DeepSeek / Hugging Face (read 2026-10-29)
- Fiche modèle et fichiers DeepSeek-V4-Pro — DeepSeek / Hugging Face (read 2026-10-29)
- Recette vLLM : DeepSeek V4 Flash — vLLM project (read 2026-10-29)
- Recette vLLM : DeepSeek V4 Pro — vLLM project (read 2026-10-29)
- Cookbook DeepSeek-V4 — SGLang (read 2026-10-29)
- Guide de la CLI Hugging Face (hf download) — Hugging Face (read 2026-10-29)
- Spécifications du NVIDIA H200 — NVIDIA (read 2026-10-29)
- Tarifs de Massed Compute vm.massedcompute.com/pricing — Massed Compute (read 2026-10-29)