DeepSeek R1 configuration matérielle 2026 : comment l'exécuter localement

DeepSeek R1 a été l'un des modèles open-source les plus importants de l'ère récente : qualité de raisonnement comparable à o1 d'OpenAI, gratuit, avec les poids libérés sous licence permissive. La question pratique : quel matériel il te faut pour l'exécuter en local ? Ça dépend énormément de quelle variante tu utilises. Ce guide passe en revue toutes et te dit exactement le setup minimum et recommandé.

C'est quoi DeepSeek R1

DeepSeek R1 est une famille de modèles de raisonnement publiés par DeepSeek AI. Sa caractéristique distinctive : entraînement par renforcement focalisé sur les chaînes de pensée (chain-of-thought), ce qui produit des réponses plus rigoureuses en mathématiques, code et logique que les LLM traditionnels de même taille.

La famille inclut des variantes distillées (modèles plus petits inspirés par R1) et le modèle complet de 671B paramètres (version Mixture of Experts, pas tous les paramètres actifs en même temps).

Variantes et tailles disponibles

DeepSeek R1 distill 1.5B

Version la plus petite, dérivée de Qwen 2.5 1.5B avec entraînement R1.

• Taille FP16 : 3 Go
• Taille Q4_K_M : 1.5 Go
• RAM minimum : 8 Go
• VRAM idéale : 2 Go

Excellent pour expérimenter, autocomplete intelligent, tâches légères. Étonnamment capable pour sa taille en mathématiques basiques.

DeepSeek R1 distill 7B

Basé sur Qwen 2.5 7B. Le sweet spot pour la plupart des portables.

• Taille FP16 : 14 Go
• Taille Q4_K_M : 4.5 Go
• RAM minimum : 16 Go
• VRAM idéale : 6 Go (Q4) ou 8 Go (Q5)

Couvre un raisonnement décent en code et mathématiques. Équivalent pratique à GPT-3.5 pour les tâches avec chaînes de pensée.

DeepSeek R1 distill 14B

Basé sur Qwen 2.5 14B. Meilleure qualité de raisonnement que la 7B.

• Taille Q4_K_M : 8.5 Go
• RAM minimum : 24 Go
• VRAM idéale : 10 Go (Q4) ou 12 Go (Q5)

Bon point d'entrée pour usage pro. Résout des problèmes de compétition mathématique niveau olympiade dans de nombreux cas.

DeepSeek R1 distill 32B

Basé sur Qwen 2.5 32B. Là tu entres en territoire sérieux.

• Taille Q4_K_M : 19 Go
• RAM minimum : 48 Go
• VRAM idéale : 20-22 Go (Q4) ou 26-28 Go (Q5)

En portable seulement viable avec RTX 5080 16 Go avec offload modéré, RTX 5090 24 Go confortable, ou MacBook Pro M5 Max 48+ Go unified.

DeepSeek R1 distill 70B

Basé sur Llama 3.3 70B.

• Taille Q4_K_M : 40 Go
• RAM minimum : 64 Go
• VRAM idéale : 40+ Go (ne rentre pas en portable consumer)

En portable : MacBook Pro M5 Max 64-96 Go. En desktop : 2x RTX 4090 ou RTX 5090 + RTX 4090.

DeepSeek R1 671B (complet, Mixture of Experts)

Le modèle complet original. 671B paramètres mais seulement 37B actifs à tout moment (MoE).

• Taille FP8 : ~700 Go
• Taille Q4_K_M : ~400 Go
• RAM minimum : 512 Go
• VRAM idéale : 8x A100 80GB ou équivalent

En portable : inviable. En workstation maison : seulement avec setups multi-GPU pros. Généralement accédé via API ou via une version distillée locale.

Matériel minimum par variante

| Variante | RAM | VRAM | Portable minimum | Tokens/s attendus | |---|---:|---:|---|---:| | 1.5B | 8 Go | 2 Go | N'importe lequel avec NPU | 30-50 | | 7B Q4 | 16 Go | 6 Go | RTX 4060 mobile | 25-40 | | 14B Q4 | 32 Go | 10 Go | RTX 4080 mobile | 18-25 | | 32B Q4 | 48 Go | 20 Go | RTX 5080+ mobile ou Mac M5 Pro 36 Go | 8-15 | | 70B Q4 | 64 Go | 40 Go | Mac M5 Max 64-96 Go | 5-12 | | 671B | 512 Go | 8x80 Go | Workstation pro | 3-10 |

Quantification recommandée pour portable

Pour DeepSeek R1 les quantifications les plus utilisées :

• Q4_K_M : le default. Perte minimale en raisonnement, meilleur rapport taille/qualité.
• Q5_K_M : 25% de mémoire en plus, qualité légèrement meilleure. Recommandé si ton portable tient le coup.
• Q6_K : 50% de mémoire en plus. Pour tâches de raisonnement critique (vérification mathématique, code review sérieux).
• Q8_0 / FP8 : seulement si la fidélité quasi-complète t'importe. Presque inviable en portable pour modèles 14B+.

Recommandation pratique : commence par Q4_K_M, monte à Q5 si le raisonnement te déçoit sur des tâches spécifiques.

Comment l'installer

Via Ollama (le plus facile)

```bash

7B

ollama run deepseek-r1:7b

14B

ollama run deepseek-r1:14b

32B

ollama run deepseek-r1:32b ```

Ollama télécharge, quantifie et fait tourner le modèle. Pour les détails du runtime, regarde notre guide Ollama configuration minimale.

Via llama.cpp (contrôle total)

```bash

Télécharge GGUF quantifié depuis Hugging Face

huggingface-cli download bartowski/DeepSeek-R1-Distill-Qwen-14B-GGUF \ DeepSeek-R1-Distill-Qwen-14B-Q4_K_M.gguf

Lance avec GPU

./llama-server -m DeepSeek-R1-Distill-Qwen-14B-Q4_K_M.gguf \ --gpu-layers 99 --ctx-size 8192 ```

Via vLLM (production)

Pour serving en production à plusieurs utilisateurs. Nécessite setup plus complexe, pas recommandé pour usage individuel.

Comparaison avec OpenAI o1 et Claude

DeepSeek R1 distille le raisonnement en chaînes de pensée similaire à o1. Comparaison pratique :

• Raisonnement mathématique : R1 32B Q4 proche de o1-mini, R1 70B Q4 proche de o1.
• Code : R1 14B suffit pour tâches courantes, R1 32B rivalise avec Claude 3.5 Sonnet sur benchmark.
• Vitesse : dépend du matériel local. Sur portable puissant (RTX 5080) peut rivaliser ou dépasser l'API par la latence réseau.
• Confidentialité : le principal attrait. Les données sensibles ne quittent pas ta machine.
• Coût : gratuit après l'investissement matériel.

Recommandations pratiques par usage

• Étude ou preuves de concept : R1 7B Q4 sur portable avec RTX 4060. Fonctionnel pour la plupart des tâches.
• Usage pro quotidien : R1 14B Q5 sur portable avec RTX 5080 + 32 Go RAM. Sweet spot qualité/portabilité.
• Recherche sérieuse ou raisonnement critique : R1 32B Q5 sur MacBook Pro M5 Max 64 Go ou desktop avec RTX 5090.
• Il te faut la qualité du modèle complet : API DeepSeek ou services hébergés. Local du 671B est inviable.

Questions fréquentes

DeepSeek R1 7B est comparable à ChatGPT-3.5 ? En raisonnement mathématique et code oui, le dépasse fréquemment. En conversation générale et connaissance large, ChatGPT-3.5 est un peu meilleur par le corpus d'entraînement.

Je peux faire tourner DeepSeek R1 32B sur MacBook Pro M5 Pro 36 Go ? Oui, en Q4_K_M avec marge. Throughput 8-12 tokens/s, utilisable interactivement.

Différences entre versions distill basées sur Qwen vs Llama ? Pour tâches en chinois et raisonnement mathématique, les basées sur Qwen tendent à mieux rendre. Pour anglais général et code, les basées sur Llama sont compétitives.

DeepSeek R1 vaut le coup ou mieux Llama 3.3 directement ? Si ton usage est raisonnement critique (mathématiques, logique, code complexe), R1 distille clairement mieux. Pour chat général, Llama 3.3 est un peu plus naturel en conversation.

Quel portable spécifique pour faire tourner DeepSeek ?

Donne au conseiller IA quelle variante de DeepSeek R1 tu veux faire tourner et ton budget. Tu auras le portable concret avec la VRAM et RAM nécessaires.