DeepSeek R1 requisitos de hardware 2026: cómo correrlo localmente
DeepSeek R1 ha sido uno de los modelos open-source más importantes de la era reciente: calidad de razonamiento comparable a o1 de OpenAI, gratis, con pesos liberados bajo licencia permisiva. La pregunta práctica es: ¿qué hardware necesitas para correrlo en local? Depende muchísimo de qué variante uses. Esta guía repasa todas y te dice exactamente el setup mínimo y recomendado.
Qué es DeepSeek R1
DeepSeek R1 es una familia de modelos de razonamiento publicados por DeepSeek AI. Su característica distintiva: entrenamiento por refuerzo enfocado en cadenas de pensamiento (chain-of-thought), lo que produce respuestas más rigurosas en matemáticas, código y lógica que modelos LLM tradicionales del mismo tamaño.
La familia incluye variantes destiladas (smaller models inspirados en R1) y el modelo completo de 671B parámetros (versión Mixture of Experts, no todos los parámetros activos a la vez).
Variantes y tamaños disponibles
DeepSeek R1 distill 1.5B
Versión más pequeña, derivada de Qwen 2.5 1.5B con entrenamiento R1.
- Tamaño FP16: 3 GB
- Tamaño Q4_K_M: 1.5 GB
- RAM mínima: 8 GB
- VRAM ideal: 2 GB
Excelente para experimentar, autocompletar inteligente, tareas ligeras. Sorprendentemente capaz para su tamaño en matemáticas básicas.
DeepSeek R1 distill 7B
Basado en Qwen 2.5 7B. El sweet spot para la mayoría de portátiles.
- Tamaño FP16: 14 GB
- Tamaño Q4_K_M: 4.5 GB
- RAM mínima: 16 GB
- VRAM ideal: 6 GB (Q4) o 8 GB (Q5)
Cubre razonamiento decente en código y matemáticas. Equivalente práctico a GPT-3.5 para tareas con cadenas de pensamiento.
DeepSeek R1 distill 14B
Basado en Qwen 2.5 14B. Mayor calidad de razonamiento que la versión 7B.
- Tamaño Q4_K_M: 8.5 GB
- RAM mínima: 24 GB
- VRAM ideal: 10 GB (Q4) o 12 GB (Q5)
Buen punto de entrada para uso profesional. Resuelve problemas de competencia matemática nivel olimpiada en muchos casos.
DeepSeek R1 distill 32B
Basado en Qwen 2.5 32B. Aquí entras en territorio serio.
- Tamaño Q4_K_M: 19 GB
- RAM mínima: 48 GB
- VRAM ideal: 20-22 GB (Q4) o 26-28 GB (Q5)
En portátil solo viable con RTX 5080 16 GB con offload moderado, RTX 5090 24 GB cómodo, o MacBook Pro M5 Max 48+ GB unified.
DeepSeek R1 distill 70B
Basado en Llama 3.3 70B.
- Tamaño Q4_K_M: 40 GB
- RAM mínima: 64 GB
- VRAM ideal: 40+ GB (no cabe en portátil consumer)
En portátil: MacBook Pro M5 Max 64-96 GB. En desktop: 2x RTX 4090 o RTX 5090 + RTX 4090.
DeepSeek R1 671B (completo, Mixture of Experts)
El modelo completo original. 671B parámetros pero solo 37B activos en cualquier momento (MoE).
- Tamaño FP8: ~700 GB
- Tamaño Q4_K_M: ~400 GB
- RAM mínima: 512 GB
- VRAM ideal: 8x A100 80GB o equivalente
En portátil: inviable. En workstation casera: solo con setups multi-GPU profesionales. Generalmente se accede vía API o se usa una versión distilada local.
Hardware mínimo por variante
| Variante | RAM | VRAM | Portátil mínimo | Tokens/s esperado | |---|---:|---:|---|---:| | 1.5B | 8 GB | 2 GB | Cualquiera con NPU | 30-50 | | 7B Q4 | 16 GB | 6 GB | RTX 4060 mobile | 25-40 | | 14B Q4 | 32 GB | 10 GB | RTX 4080 mobile | 18-25 | | 32B Q4 | 48 GB | 20 GB | RTX 5080+ mobile o Mac M5 Pro 36 GB | 8-15 | | 70B Q4 | 64 GB | 40 GB | Mac M5 Max 64-96 GB | 5-12 | | 671B | 512 GB | 8x80 GB | Workstation profesional | 3-10 |
Cuantización recomendada para portátil
Para DeepSeek R1 las cuantizaciones más usadas:
- Q4_K_M: el default. Mínima pérdida en razonamiento, mejor relación tamaño/calidad.
- Q5_K_M: 25% más memoria, ligeramente mejor calidad. Recomendado si tu portátil lo aguanta.
- Q6_K: 50% más memoria. Para tareas de razonamiento crítico (verificación matemática, code review serio).
- Q8_0 / FP8: solo si te importa fidelidad cuasi-completa. Casi inviable en portátil para modelos 14B+.
Recomendación práctica: empieza con Q4_K_M, sube a Q5 si el razonamiento te falla en tareas específicas.
Cómo instalarlo
Vía Ollama (más fácil)
```bash
7B
ollama run deepseek-r1:7b
14B
ollama run deepseek-r1:14b
32B
ollama run deepseek-r1:32b ```
Ollama descarga, cuantiza y corre el modelo. Para detalles del runtime, mira nuestra guía Ollama requisitos mínimos.
Vía llama.cpp (control total)
```bash
Descarga GGUF cuantizado de Hugging Face
huggingface-cli download bartowski/DeepSeek-R1-Distill-Qwen-14B-GGUF \ DeepSeek-R1-Distill-Qwen-14B-Q4_K_M.gguf
Corre con GPU
./llama-server -m DeepSeek-R1-Distill-Qwen-14B-Q4_K_M.gguf \ --gpu-layers 99 --ctx-size 8192 ```
Vía vLLM (production)
Para serving en producción a múltiples usuarios. Requiere setup más complejo, no recomendado para uso individual.
Comparación con OpenAI o1 y Claude
DeepSeek R1 destila razonamiento en cadenas de pensamiento similar a o1. Comparación práctica:
- Razonamiento matemático: R1 32B Q4 está cerca de o1-mini, R1 70B Q4 cerca de o1.
- Código: R1 14B suficiente para tareas comunes, R1 32B compite con Claude 3.5 Sonnet en bench.
- Velocidad: depende del hardware local. En portátil potente (RTX 5080) puede ser comparable o más rápido que API por la latencia de red.
- Privacidad: el principal atractivo. Datos sensibles no salen de tu máquina.
- Costo: gratis después de la inversión en hardware.
Recomendaciones prácticas por uso
- Estudio o pruebas de concepto: R1 7B Q4 en portátil con RTX 4060. Funcional para la mayoría de tareas.
- Uso profesional diario: R1 14B Q5 en portátil con RTX 5080 + 32 GB RAM. Sweet spot calidad/portabilidad.
- Investigación seria o razonamiento crítico: R1 32B Q5 en MacBook Pro M5 Max 64 GB o desktop con RTX 5090.
- Necesitas la calidad del modelo completo: API de DeepSeek o servicios alojados. Local del 671B es inviable.
Preguntas frecuentes
¿DeepSeek R1 7B es comparable a ChatGPT-3.5? En razonamiento matemático y código sí, lo supera frecuentemente. En conversación general y conocimiento amplio, ChatGPT-3.5 es algo mejor por el corpus de entrenamiento.
¿Puedo correr DeepSeek R1 32B en MacBook Pro M5 Pro 36 GB? Sí, en Q4_K_M con margen. Throughput 8-12 tokens/s, usable interactivamente.
¿Hay diferencias entre las versiones distill basadas en Qwen vs Llama? Para tareas en chino y razonamiento matemático, las basadas en Qwen tienden a rendir mejor. Para inglés general y código, las basadas en Llama son competitivas.
¿Vale la pena DeepSeek R1 o mejor uso Llama 3.3 directamente? Si tu uso es razonamiento crítico (matemáticas, lógica, código complejo), R1 destila claramente mejor. Para chat general, Llama 3.3 es algo más natural en conversación.
¿Qué portátil específico te conviene para correr DeepSeek?
Cuéntale al asesor IA qué variante de DeepSeek R1 quieres correr y tu presupuesto. Te recomienda el portátil concreto con la VRAM y RAM necesarias.