Открытые веса: свой DeepSeek на своих серверах

О чём урок

Открытые веса DeepSeek означают, что модель можно не только вызывать через API, но и скачать целиком, запустить на собственном оборудовании и встроить в свою инфраструктуру без постоянной зависимости от сервиса DeepSeek. В этом уроке разберём, что это даёт на практике, сколько это стоит по памяти и деньгам, и когда разворачивать модель у себя действительно выгоднее, чем платить за API. После урока вы сможете прикинуть требования к железу под конкретную модель и посчитать для своей задачи, что дешевле: свой сервер или облачный API.

Неофициальный курс AI University. Тексты, примеры и задания написаны нашей командой по открытой документации DeepSeek на 03.10.2026; курс не связан с DeepSeek и не одобрен ею. Модели и цены меняются, сверяйтесь с документацией.

Веса модели, это числа, которые модель использует при вычислениях: по сути, результат обучения, записанный в виде файлов. DeepSeek публикует эти файлы на Hugging Face (аккаунт deepseek-ai) под лицензией MIT. Лицензия MIT одна из самых разрешительных: она позволяет использовать модель коммерчески, изменять, дообучать на своих данных и разворачивать где угодно, включая собственные серверы, без отчислений DeepSeek и без обязательства публиковать свои изменения.

Это принципиально отличается от работы через API chat.deepseek.com или platform.deepseek.com. Там вы отправляете запросы на серверы DeepSeek и платите за токены. При самостоятельном хостинге вы скачиваете веса один раз, и дальше вычисления идут на вашем оборудовании: сервис DeepSeek в этой схеме больше не участвует.

Открытые веса есть у разных моделей семейства, включая DeepSeek-V4-Pro и DeepSeek-V4.1-Flash, о которых шла речь в предыдущих уроках применительно к API. Технически это ровно те же модели: разница только в том, где они исполняются.

Прежде чем думать об аренде серверов, полезно прикинуть, сколько памяти вообще нужно, чтобы просто загрузить модель. Грубая формула простая:

объём памяти под веса приблизительно равен числу параметров, умноженному на число байт на параметр.

Возьмём DeepSeek-V4.1-Flash: это MoE-модель на…

План урока

1. Что значит «открытые веса» и лицензия MIT
2. Сколько нужно памяти: грубая прикидка
3. Квантование: как ужать модель
4. Инструменты инференса: vLLM, SGLang и готовые сборки
5. Маленькие модели на ноутбуке через Ollama
6. Плюсы и минусы самостоятельного хостинга
7. Когда своё дешевле API: условный расчёт
8. Попробуйте сами