模型说明：DeepSeek-V4-Flash 官方原生支持 1M（104 万 token）上下文，本文通过参数限制为 128K 降低显存压力，无需修改模型权重。
硬件限制：RTX 4090 24G 仅支持 INT4 量化，FP8/FP16 显存不足，且 4090 无原生 FP8 硬件加速，INT4 是唯一可行方案，显卡不足建议部署采用 Q4_K_M 量化 模型。
版本要求：vLLM 版本必须 ≥ 0.6.6，低版本不支持 MoE 模型推理。
性能预期：单卡 4090 可跑，2~4 卡多卡并行更稳定，速度与并发能力显著提升。
一、环境准备
- 基础环境配置
推荐使用 Ubuntu 22.04 系统，搭配 CUDA 12.1+（本文以 CUDA 12.4 为例），通过 Conda 创建隔离环境：
创建并激活虚拟环境
conda create -n vllm python=3.11 -y
conda activate vllm
- 安装 vLLM 与依赖
安装 vLLM（必须 ≥ 0.6.6 版本）
pip install "vllm>=0.6.6" -U
安装模型下载工具（国内推荐魔搭）
pip install modelscope huggingface_hub
二、下载 DeepSeek-V4-Flash 模型
国内用户优先使用 魔搭社区（ModelScope） 下载，速度更快：
下载官方原版 DeepSeek-V4-Flash 模型
modelscope download --model deepseek-ai/DeepSeek-V4-Flash --local-dir ./DeepSeek-V4-Flash
下载完成后，模型文件会保存在当前目录的 \./DeepSeek\-V4\-Flash 文件夹中。
三、RTX 4090 部署核心配置
关键参数说明（必看）
参数 作用 4090 部署建议
\-\-quantization int4 开启 INT4 量化，显存占用减半 必须开启
\-\-max\-model\-len 131072 限制上下文长度为 128K 必须设置，降低 KV 缓存显存占用
\-\-gpu\-memory\-utilization 0\.85 显存利用率限制，避免 OOM 单卡建议 0.8，多卡可设 0.85~0.9
\-\-tensor\-parallel\-size N 多卡张量并行数，N 为显卡数量 单卡设 1，2 卡设 2，以此类推
\-\-enable\-prefix\-caching 开启前缀缓存，提升对话场景速度 建议开启
- 单卡 RTX 4090 24G 部署命令
适合本地测试、低并发场景：
vllm serve \
./DeepSeek-V4-Flash-Q4_K_M \
--trust-remote-code \
--load-format gguf \
--max-model-len 131072 \
--gpu-memory-utilization 0.8 \
--tensor-parallel-size 1 \
--enable-prefix-caching \
--disable-log-stats \
--port 8000
AI写代码
- 2 卡 RTX 4090 部署命令
适合更高并发、更稳定的场景：
vllm serve \
./DeepSeek-V4-Flash-Q4_K_M \
--trust-remote-code \
--dtype float16 \
--max-model-len 131072 \
--gpu-memory-utilization 0.85 \
--tensor-parallel-size 2 \
--enable-prefix-caching \
--port 8000
AI写代码
- 4 卡 RTX 4090 部署命令
适合高并发、生产测试场景：
vllm serve \
./DeepSeek-V4-Flash-Q4_K_M \
--trust-remote-code \
--dtype float16 \
--max-model-len 131072 \
--gpu-memory-utilization 0.9 \
--tensor-parallel-size 4 \
--enable-prefix-caching \
--port 8000
AI写代码
- 8 卡 RTX 4090 部署命令
vllm serve \
./DeepSeek-V4-Flash \
--trust-remote-code \
--dtype auto \
--quantization awq \
--max-model-len 131072 \
--gpu-memory-utilization 0.95 \
--tensor-parallel-size 8 \
--enable-prefix-caching \
--disable-log-stats \
--port 8000
AI写代码
四、部署成功后测试
- OpenAI 兼容 API 调用
部署成功后，服务默认运行在 http://localhost:8000/v1，兼容 OpenAI 接口格式，可直接用 OpenAI SDK 调用：
from openai import OpenAI
初始化客户端
client = OpenAI(
base_url="http://localhost:8000/v1",
api_key="dummy" # 本地部署无需真实 API Key，填任意值即可
)
对话测试
response = client.chat.completions.create(
model="deepseek-v4-flash",
messages=[
{"role": "system", "content": "你是一个 helpful 的助手。"},
{"role": "user", "content": "请用 100 字介绍一下 DeepSeek-V4-Flash。"}
],
temperature=0.7,
max_tokens=1024
)
print("模型回复：", response.choices[0].message.content)
- 浏览器 Web 界面测试
可使用 open\-webui 等工具快速搭建 Web 界面，对接本地部署的 API，实现可视化对话。
五、性能与显存占用参考
部署方式 模型加载显存 支持并发 生成速度（token/s） 适用场景
单卡 4090 ~18GB 2~4 12~25 本地测试、个人使用
2 卡 4090 ~10GB / 卡 8~16 30~50 小组测试、低并发服务
4 卡 4090 ~5GB / 卡 16~32 70~130 生产测试、高并发场景
六、常见问题与解决方案
- 部署时爆显存（OOM）
降低 \-\-gpu\-memory\-utilization 数值（如从 0.85 改为 0.8）
减少并发请求数量，确认使用Q4_K_M 而非普通 INT4
增加显卡数量，使用多卡并行
- 模型加载失败
检查 vLLM 版本是否 ≥ 0.6.6
确认模型文件完整下载，无损坏
确保 \-\-trust\-remote\-code 参数已添加
- 生成速度很慢
4090 无原生 FP8 加速，INT4 量化速度会比专业显卡慢，但Q4_K_M 精度优于普通 INT4
多卡并行可显著提升速度
开启 \-\-enable\-prefix\-caching 优化对话场景速度
- 精度下降明显
INT4 量化会轻微损失精度，对话、写作场景无明显影响，复杂推理任务建议使用更高精度显卡（如 A100）
七、总结
RTX 4090 24G 可以部署 DeepSeek-V4-Flash，核心是 Q4_K_M 量化 + 限制 128K 上下文。
无需修改模型权重，使用官方原版模型即可，通过 vLLM 参数实现显存优化。
单卡可跑，多卡并行性能更稳，速度与并发能力显著提升。
部署后的服务兼容 OpenAI API，可直接对接各类应用与工具。