Guia · dados do modelo do Hugging Face · comandos das docs do vLLM e do SGLang, 29 de outubro de 2026

Como eu rodo o DeepSeek V4 em uma GPU na nuvem?

O DeepSeek V4 vem em dois tamanhos de pesos abertos, Flash e Pro. Este guia traz a conta de VRAM para cada um, a quantidade de GPUs que os motores de serving documentam, os comandos de lançamento e o custo por hora.

Última atualização: 29 de outubro de 2026 · 7 min de leitura

Resposta rápida

Como eu rodo o DeepSeek V4 em uma GPU na nuvem?

Para rodar o DeepSeek V4 em uma GPU na nuvem, alugue VRAM suficiente para os pesos mais cerca de 20%: o V4 Flash (284B parâmetros, 159,6 GB de pesos) precisa de pelo menos dois H200, e o cookbook do SGLang documenta quatro; o V4 Pro (1,6T, 864,7 GB) precisa de oito H200. Sirva com vLLM ou SGLang. Em 29 de outubro de 2026, GPUwithCrypto aluga o H200 a $3,07/hora por GPU, pagando com cripto.

DeepSeek V4 em resumo (Hugging Face, consultado em 29 de outubro de 2026)

Modelos	DeepSeek-V4-Flash e DeepSeek-V4-Pro, pesos abertos sob a licença MIT
Parâmetros	Flash: 284B no total, 13B ativados por token · Pro: 1,6T no total, 49B ativados
Formato dos pesos	Misto: pesos dos especialistas MoE em FP4, a maioria dos outros pesos em FP8
Pesos em disco	Flash 159,6 GB (46 arquivos) · Pro 864,7 GB (64 arquivos)
Comprimento de contexto	1 milhão de tokens; o DeepSeek recomenda pelo menos 384K para o modo Think Max
Motores de serving no model card	vLLM e SGLang
Recomendação de amostragem no card	temperature 1.0, top_p 1.0

Quanta VRAM o DeepSeek V4 precisa?

O Flash precisa de cerca de 191,5 GB e o Pro de cerca de 1.037,6 GB: os pesos publicados × 1,2. O DeepSeek V4 é um modelo de mistura de especialistas. Apenas 13B (Flash) ou 49B (Pro) parâmetros trabalham em cada token, o que reduz o processamento, não a memória: todo especialista precisa estar na VRAM. Sua atenção comprimida mantém o KV cache pequeno, então a fórmula usual de cache por token para modelos estilo Llama não se aplica. A regra de pesos × 1,2 para outros modelos está em quanta VRAM eu preciso?

Quais GPUs comportam o DeepSeek V4?

Mínimo pela fórmula = a menor quantidade de GPUs cuja VRAM somada comporta os pesos × 1,2. Layouts documentados = o que as receitas do vLLM e o cookbook do SGLang descrevem. Nosso preço por hora para toda a configuração, 29 de outubro de 2026.

Modelo	Pesos	× 1.2	Mínimo pela fórmula	Layouts documentados	GPUwithCrypto por hora
V4 Flash	159.6 GB	191.5 GB	2× H200 (282 GB) ou 2× B200 (360 GB)	SGLang: 4 GPUs em H200 ou B200, 8 em H100 · vLLM: 4 GPUs por réplica em H200 ou B200	$6.14/hora; $12.28/hora para o layout documentado
V4 Pro	864.7 GB	1,037.6 GB	8× H200 (1.128 GB) ou 8× B200 (1.440 GB)	SGLang: 8 GPUs em H200 ou B200; H100 precisa de dois nós de 8 GPUs · vLLM: 8 GPUs em H200, contexto limitado a 800K tokens	$24.56/hora

Preços verificados em 29 de outubro de 2026

8× H100 (640 GB) é pouco para o V4 Pro, e nossos hosts têm no máximo 8 GPUs. A página H100 vs H200 compara a memória e o preço deles. H100 e H200 não têm Tensor Cores FP4: o SGLang roda os especialistas FP4 neles com kernels W4A16, enquanto o B200 roda FP4 nativamente.

Como sirvo o DeepSeek V4 Flash com vLLM?

O layout abaixo é o que a receita do vLLM recomenda: quatro GPUs, data parallel mais expert parallel. Cada flag vem dessa receita.

Alugue quatro H200s
Inicie uma instância 4× H200 (564 GB). Verifique se o disco comporta os 159,6 GB de pesos mais espaço para logs. Toda instância tem disco NVMe local, dimensionado para a sua GPU e mostrado antes de você começar. O disco é apagado quando você exclui a instância, então copie seus checkpoints antes.
Instale o vLLM
Instale a versão vLLM marcada mais recente; a receita pede vLLM 0.20.0 ou mais nova para este modelo. Você também pode iniciar a instância a partir da imagem Docker vllm/vllm-openai.
Baixe os pesos
hf download deepseek-ai/DeepSeek-V4-Flash salva os 46 arquivos de pesos no cache do Hugging Face. O vLLM também os baixa na primeira inicialização.
Inicie o servidor
Rode o comando abaixo. Ele escuta em 127.0.0.1, então a API só fica acessível pelo seu túnel SSH.
Envie uma requisição
Encaminhe a porta 8000 por SSH e chame o endpoint compatível com OpenAI /v1/chat/completions.
Pare a instância quando terminar
As instâncias são cobradas por minuto na tarifa horária enquanto rodam, a partir das GPU-horas que você comprou para aquela GPU. Parar uma instância interrompe a cobrança na hora.

serve-v4-flash-vllm.sh (4× H200)

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

request.sh (do seu computador)

# 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."}]}'

Como sirvo o DeepSeek V4 com SGLang em vez disso?

Inicie a instância a partir da imagem Docker lmsysorg/sglang:latest, que o cookbook do SGLang lista para H100, H200 e B200, e use paralelismo de tensor: --tp 4 para o Flash em quatro H200s, --tp 8 para o Flash em oito H100s ou para o Pro em oito H200s. A API responde na porta 30000 com as mesmas rotas compatíveis com OpenAI.

serve-v4-flash-sglang.sh (4× H200)

python3 -m sglang.launch_server \
  --model-path deepseek-ai/DeepSeek-V4-Flash \
  --trust-remote-code \
  --tp 4 \
  --host 127.0.0.1 \
  --port 30000

Como sirvo o DeepSeek V4 Pro?

Em oito H200s, com paralelismo de dados em todas as oito GPUs. A receita do vLLM para H200 limita o contexto a 800K tokens para deixar espaço para o cache, porque os pesos densos são copiados para cada GPU. Para o modo Think Max, mantenha pelo menos 384K tokens de contexto, como o DeepSeek recomenda.

serve-v4-pro-vllm.sh (8× H200)

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

Quanto custa rodar o DeepSeek V4 por hora?

Nos nossos preços, o V4 Flash no layout documentado de quatro H200s custa $12.28/hora, e o V4 Pro em oito H200s custa $24.56/hora. Um dia inteiro de uma H200 é $73.68. Fornecedor por fornecedor: preços de aluguel de H200.

Os pesos do Pro são 5,4 vezes o tamanho dos do Flash (864,7 contra 159,6 GB). Segundo a verificação de preços da GPUwithCrypto de 29 de outubro de 2026, o menor preço self-serve on-demand de H200 era $3.62 por GPU-hora (Massed Compute): $14,48 por hora para quatro GPUs e $28,96 para oito. Todos os preços: pricing.

Qual checkpoint do DeepSeek V4 devo baixar?

Comece com deepseek-ai/DeepSeek-V4-Flash ou deepseek-ai/DeepSeek-V4-Pro, os repositórios criados em 22 de abril de 2026, cujos cards trazem os números acima. O DeepSeek publicou depois checkpoints atualizados, DeepSeek-V4-Flash-0731 e DeepSeek-V4-Pro-0813, com um draft head embutido para decodificação especulativa; a receita do vLLM pede vLLM 0.25.0 ou mais nova para eles. Os repositórios -Base são para pré-treinamento adicional, não para chat ou chamadas de ferramentas.

Perguntas sobre o DeepSeek V4

Quanta VRAM preciso para o DeepSeek V4 Flash?

Cerca de 191,5 GB: 159,6 GB de pesos mais 20%. Duas H200s (282 GB) comportam isso por essa regra; o cookbook do SGLang e a receita do vLLM documentam as duas quatro H200s, o que deixa mais espaço para o cache e para usuários em paralelo.

Quanta VRAM preciso para o DeepSeek V4 Pro?

Cerca de 1.037,6 GB: 864,7 GB de pesos mais 20%. Oito H200s (1.128 GB) ou oito B200s (1.440 GB) comportam isso em um único host. Oito H100s (640 GB) não.

Posso rodar o DeepSeek V4 em H100s?

O V4 Flash, sim: o cookbook do SGLang documenta oito H100s com --tp 8. O V4 Pro precisa de dois nós de 8 GPUs H100 no cookbook, mais do que uma das nossas instâncias comporta, então use oito H200s.

Posso rodar o DeepSeek V4 em uma GPU?

Não nas GPUs que alugamos. A maior, uma B200 de 180 GB, comporta os 159,6 GB de pesos do Flash mas deixa só 20 GB para o cache, abaixo da margem de 20%. Duas GPUs é o mínimo.

Posso pagar pelas H200s com cripto?

Sim. GPUwithCrypto aceita BTC, USDT, USDC, ETH, SOL, LTC, XMR de um top-up via US$ 1, sem documento e sem cartão. As GPU-horas são vendidas em blocos de 10, 24, 168 ou 720 horas para um modelo de GPU, na mesma tarifa horária; as instâncias dessa GPU consomem delas por minuto, e as horas não usadas nunca expiram.

Fontes (8)

Model card e arquivos do DeepSeek-V4-Flash — DeepSeek / Hugging Face (read 2026-10-29)
Model card e arquivos do DeepSeek-V4-Pro — DeepSeek / Hugging Face (read 2026-10-29)
Receita do vLLM: DeepSeek V4 Flash — vLLM project (read 2026-10-29)
Receita do vLLM: DeepSeek V4 Pro — vLLM project (read 2026-10-29)
cookbook do DeepSeek-V4 — SGLang (read 2026-10-29)
Guia da Hugging Face CLI (hf download) — Hugging Face (read 2026-10-29)
Especificações da NVIDIA H200 — NVIDIA (read 2026-10-29)
Preços do Massed Compute vm.massedcompute.com/pricing — Massed Compute (read 2026-10-29)