{"id":5517,"date":"2025-02-19T10:09:18","date_gmt":"2025-02-19T10:09:18","guid":{"rendered":"https:\/\/www.myshirtai.com\/?p=5517"},"modified":"2025-02-19T10:23:53","modified_gmt":"2025-02-19T10:23:53","slug":"%e6%9c%ac%e5%9c%b0deepseek%e6%a8%a1%e5%9e%8b%e9%9c%80%e8%a6%81%e4%bb%80%e4%b9%88%e9%85%8d%e7%bd%ae%e4%bb%a5%e5%8f%8a%e5%90%84%e9%85%8d%e7%bd%ae%e8%b7%91%e5%88%86","status":"publish","type":"post","link":"https:\/\/www.myshirtai.com\/de\/archives\/5517","title":{"rendered":"Welche Konfigurationen f\u00fcr das lokale DeepSeek-Modell erforderlich sind und wie die Laufzeitbewertungen f\u00fcr jede Konfiguration aussehen"},"content":{"rendered":"

I. Schlussfolgerungen der Studie<\/h4>\n

1. allgemeine Schlussfolgerungen<\/h5>\n

Die Ergebnisse dieser Studie zeigen, dass die Ausf\u00fchrung der Basisversion des DeepSeek-Modells unter den Bedingungen h\u00f6herer Rechenleistung, die derzeit vor Ort vorzufinden sind, noch erhebliche Herausforderungen mit sich bringt. Insbesondere sind die Erstellungskosten zu hoch und reichen noch nicht aus, um allgemeine Szenarien wie kontinuierliche Fragen und Antworten und Entwicklungsunterst\u00fctzung in Bezug auf Leistung und Qualit\u00e4t zu unterst\u00fctzen.<\/p>\n

Wenn man ein spezialisiertes Modell auf der Basisversion des DeepSeek-Modells f\u00fcr die Anwendung in einem Produkt trainieren m\u00f6chte, muss man die technischen Anforderungen des Anwendungsszenarios in Bezug auf Gleichzeitigkeit, Aktualit\u00e4t usw. sorgf\u00e4ltig ber\u00fccksichtigen. Das Verh\u00e4ltnis zwischen der Gr\u00f6\u00dfe des Basismodells und der Zielarithmetik des Produkts muss vern\u00fcnftig bewertet werden, um ein Gleichgewicht zwischen Produktkosten und Effektivit\u00e4t zu erreichen.<\/p>\n

Obwohl die Funktionsweise des DeepSeek-Modells unter den derzeitigen lokalen Hardwarebedingungen viele Einschr\u00e4nkungen aufweist, bedeutet dies nicht, dass es v\u00f6llig unerforscht ist. Unter der Voraussetzung, dass die Hardwarekosten angemessen erh\u00f6ht werden, z. B. durch die Erh\u00f6hung der Videospeicherkapazit\u00e4t und die Einf\u00fchrung einer effizienteren Hardwarearchitektur usw., k\u00f6nnen gleichzeitig technische Mittel wie das Destillationstraining auf der Grundlage kleinerer Modelle wie 7B verst\u00e4rkt werden, um die Qualit\u00e4t des Modellquiz zu verbessern und die Anforderungen lokaler Anwendungen besser zu erf\u00fcllen. Dar\u00fcber hinaus kann auch eingehend untersucht werden, wie der Algorithmus des Modells und das Debugging der Parameter optimiert werden k\u00f6nnen, um die Leistung des Modells unter den bestehenden Hardwarebedingungen weiter zu verbessern.<\/p>\n

\"deepseek\"<\/p>\n

2. die Leistung der verschiedenen lokalen Modelle<\/h5>\n

Wir waren in der Lage, bis zu 70b Modelll\u00e4ufe von DeepSeek R1 zu unterst\u00fctzen, basierend auf den minimalen Konfigurationsanforderungen f\u00fcr die lokale Bereitstellung der Modelle von der DeepSeek-Website, kombiniert mit der besseren Hardware, die wir zur Verf\u00fcgung hatten (d.h. 2 NVIDIA A100 80G Grafikspeicher), und waren nicht in der Lage, das volle 671b Modell laufen zu lassen.<\/p>\n

Wir haben versucht, insgesamt 6 Modelle von 70b und darunter zu installieren, und alle haben ordnungsgem\u00e4\u00df funktioniert. Die 1,5b-Modelle waren nicht effektiv, und wir haben unsere vergleichenden Tests und Analysen haupts\u00e4chlich auf die 70b- und 7b-Modelle gest\u00fctzt.<\/p>\n

Dar\u00fcber hinaus haben wir zun\u00e4chst Single-Card-Test festgestellt, dass die 70b Modell Reaktionsgeschwindigkeit zu langsam ist, Dual-Card-Test nur f\u00fcr einzelne Dual-Card theoretischen Leistungsunterschiede (das gleiche Modell der verschiedenen arithmetischen Auswirkungen in der Geschwindigkeit der Argumentation Leistung, theoretisch nicht auf die Qualit\u00e4t, einfache \u00dcberpr\u00fcfung ist auch im Einklang mit dem theoretischen Szenario), daher haben wir Dual-Card experimentellen Umfeld, verwenden Sie nur die 7b-Modell f\u00fcr eine breite Palette von Validierung.<\/p>\n

7b<\/strong>Leistung modellieren:<\/strong>Im Test mit f\u00fcnf voll ausgelasteten Personen antwortete das 7b-Modell bei den ersten Fragen und Antworten relativ schnell (fast 35 Sekunden f\u00fcr die Doppelkarte und fast 70 Sekunden f\u00fcr die Einzelkarte). Struktur und Qualit\u00e4t der Antwortinhalte waren m\u00e4\u00dfig gut, aber nach einigen komplexen Schlussfolgerungsfragen oder kontinuierlichen Folgefragen begann das 7b-Modell, obwohl es eine stabile Antwortgeschwindigkeit hatte, inkoh\u00e4rente, ausgedachte und schlecht durchdachte Antworten zu geben.<\/p>\n

70b<\/strong>Leistung modellieren:<\/strong>In einem Vollbelastungstest mit 5 Personen war das 70b-Modell sehr langsam bei der ersten Antwort auf dieselbe Frage (\u00fcber 7 Minuten f\u00fcr die Einzelkarte, f\u00fcr die Doppelkarte nicht im Detail getestet, nur zur einfachen Validierung). Der Inhalt der Antworten war in Bezug auf Struktur, Layout und Qualit\u00e4t etwas besser als beim Modell 7b, aber er war den Antworten des Modells 7b nicht weit voraus, und als der Kontext gr\u00f6\u00dfer wurde (l\u00e4nger als beim Modell 7b), zeigte auch das Modell 70b die gleichen Ph\u00e4nomene wie schlechte Antwortqualit\u00e4t, verwirrende Logik und Erfinden von Dingen. Insbesondere ist die Antwortzeit des Modells 70b zu lang f\u00fcr die verf\u00fcgbare Hardware, was zu einer schlechten Benutzererfahrung f\u00fchrt und die Qualit\u00e4tsbewertung stark beeintr\u00e4chtigt.<\/p>\n

Schlie\u00dflich haben sowohl das 7b- als auch das 70b-Modell in Bezug auf die Qualit\u00e4t der Antwortinhalte versagt, wobei das 7b-Modell aufgrund seiner relativ schnellen Antwort ein etwas h\u00f6heres Ma\u00df an Nutzerzufriedenheit aufweist.<\/p>\n

3) Vergleich zwischen dem lokalen 70b-Modell und dem offiziellen webbasierten Modell<\/h5>\n

Die Antworten der 70b-Modelle sind von durchschnittlicher Qualit\u00e4t.<\/p>\n

Was die Qualit\u00e4t der Antworten auf das 70b-Modell betrifft, haben wir mehrere Tests durchgef\u00fchrt. Die gleichen Fragen wurden dem lokal eingesetzten DeepSeek-R1:70b-Modell und der offiziellen DeepSeek-Online-Website (d. h. dem vollwertigen DeepSeek-R1-Modell) gestellt.<\/p>\n

Erstens gibt es einen Unterschied in der Reaktionsgeschwindigkeit. Beim lokalen 70b-Modell betr\u00e4gt die Reaktionszeit etwa 70 Sekunden (Ein-Personen-Test), auf der offiziellen Web-Seite liegt sie bei etwa 30 Sekunden (Ein-Personen-Test).<\/p>\n

Zweitens gibt es einen Unterschied in der Qualit\u00e4t des Antwortinhalts zwischen den beiden. Das Modell 70b gibt gelegentlich einfache Antworten auf normale Wissensquizfragen und sogar falsche Antworten auf komplexe logische Fragen, w\u00e4hrend die offizielle Vollversion des Modells eine detailliertere und spezifischere Qualit\u00e4t der Antworten sowohl auf einfache Wissensquizfragen als auch auf komplexere logische Fragen hat, die n\u00e4her an der realen Situation sind.<\/p>\n

4. die Bewertung der Anzahl der zu bef\u00f6rdernden Nutzer bei unterschiedlicher Hardware<\/h5>\n

Einzelkarte A100: Ideal f\u00fcr 3 - 4 Benutzer im Modell 7b und 1 - 2 Benutzer im Modell 70b.<\/p>\n

Dual-SIM A100: Beim 7b-Modell liegt die ideale Anzahl der Nutzer bei 8 bis 10. 70b wurde nicht experimentell untersucht.<\/p>\n

Dar\u00fcber hinaus ist die Qualit\u00e4t der Antworten im Doppelkartenmodus im Vergleich zum 7b-Modell im Einzelkartenmodus im Wesentlichen gleich. Die Verbesserung bei Kennzahlen wie der Anzahl der \u00fcbertragenen Nutzer und der Antwort ist im Wesentlichen linear, d. h. 1+1\u22482.<\/p>\n

5. gesch\u00e4tzte Hardwarekosten f\u00fcr 500 gleichzeitige Benutzer<\/h5>\n

Die Kosten f\u00fcr die Bereitstellung der Hardware des Modells 7b werden auf mindestens 3 Millionen Dollar gesch\u00e4tzt.<\/p>\n

Nehmen Sie die erste Antwortzeit (70 Sekunden) als die maximal akzeptierte Wartezeit. Um das Unternehmen F & E etwa 500 Menschen zu verwenden, m\u00fcssen mindestens 100-Wege-Gleichzeitigkeit Berechnungen zu unterst\u00fctzen, m\u00fcssen mehr als ein Server-Architektur f\u00fcr den Cluster-Modus sein, vorausgesetzt, dass die 4-Karte A100 als Einheit, eine einzige Einheit kann 20-Wege-Gleichzeitigkeit zu unterst\u00fctzen, dann m\u00fcssen Sie 5 Server, um einen Cluster zu bilden, die damit verbundenen Hardware-Kosten m\u00fcssen ein Minimum von etwa 3 Millionen Yuan sein.<\/p>\n

Zusammenfassend l\u00e4sst sich sagen, dass es notwendig ist, mehr Personen zu unterst\u00fctzen, um das lokale DeepSeek-R1:7b-Modell gleichzeitig zu nutzen, dass die Hardwarekosten relativ hoch sind und dass andere Faktoren wie die Netzwerkbandbreite und die Serverleistung in der Praxis ber\u00fccksichtigt werden m\u00fcssen, um einen stabilen Betrieb des Systems zu gew\u00e4hrleisten.<\/p>\n

Gleichzeitig ist es notwendig, die Hardware-Redundanz angemessen zu erh\u00f6hen (z. B. die Hardwareressourcen von 10% - 20% zu erh\u00f6hen), um die Zuverl\u00e4ssigkeit und Skalierbarkeit des Systems zu gew\u00e4hrleisten, und die tats\u00e4chlichen Investitionskosten k\u00f6nnen weit \u00fcber 3 Millionen RMB liegen.<\/p>\n

II. experimentelle Umgebung und Modalit\u00e4ten<\/h4>\n

1. DeepSeek Versionshinweise:<\/h5>\n

Was die Wahl der Version des R1-Inferenzmodells von DeepSeek betrifft, so ist laut den Mindestanforderungen an die Konfiguration auf der offiziellen Website die<\/p>\n

\"\"<\/p>\n

Bei der Verwendung von ollama mit 4-Bit-Quantisierungseinheiten betr\u00e4gt der Videospeicher \u2248 Anzahl der Teilnehmer\/2 = 335G \u2248 80*4 , so dass f\u00fcr den Einsatz der 671B-Version des Modells mindestens 5 A100 erforderlich sind.<\/p>\n

Aufgrund der Hardware-Umgebung dieses Einsatzes sind daher maximal 2 A100 80G-Grafikkarten m\u00f6glich, die unter diesen Bedingungen nur das 70B-Modell von DeepSeek - R1 maximal unterst\u00fctzen k\u00f6nnen.<\/p>\n

2. experimentelle Umgebung<\/h5>\n
    \n
  1. Modellierung<\/strong> : Modell DeepSeek-r1:7b, Modell DeepSeek-r1:70b<\/li>\n
  2. Server (Computer)<\/strong>NF5280M5<\/li>\n
  3. Anzeigekarte (Computer)<\/strong>NVIDIA A100 80GB PCIe *2, unterteilt in Einzel- und Doppelkartennutzung.<\/li>\n<\/ol>\n
    3. die Pr\u00fcfmethoden<\/h5>\n
      \n
    1. Einzelkartenpr\u00fcfung<\/strong> Die durchschnittliche Antwortzeit und die GPU-Last der Modelle 7b und 70b wurden f\u00fcr 5 gleichzeitige Benutzer gemessen, und die Tester bewerteten ihre Zufriedenheit mit der Leistung des Modells anhand der Qualit\u00e4t der Antworten.<\/li>\n
    2. Dual-SIM-Test<\/strong> Evaluation 7b: Das Modell Evaluation 7b wurde mit 5 Personen gleichzeitig verwendet, wobei die Anzahl der Benutzer schrittweise erh\u00f6ht und die GPU-Last und der Verbrauch an Antwortzeit beobachtet wurde.<\/li>\n<\/ol>\n

      III. Zusammenfassung der Daten<\/h4>\n

      Hier sind die Statistiken der Testdaten des Quiz, das in einer Stunde durchgef\u00fchrt wurde.<\/p>\n\n\n\n\n\n\n\n
      Hardware-Umgebung<\/td>\nModellierung<\/td>\nAnzahl der Nutzer (Personen)<\/td>\nDurchschnittliche Antwortzeit (Sekunden)<\/td>\nGPU-Belastung<\/td>\nNutzerzufriedenheit (100 Punkte)<\/td>\n<\/tr>\n
      Einzelkarte A100<\/td>\n7b<\/td>\n5<\/td>\n68.90<\/td>\n100%<\/td>\n47.05<\/td>\n<\/tr>\n
      Einzelkarte A100<\/td>\n70b<\/td>\n5<\/td>\n461.61<\/td>\n100%<\/td>\n45.27<\/td>\n<\/tr>\n
      Dual SIM A100<\/td>\n7b<\/td>\n5<\/td>\n33.14<\/td>\n90%<\/td>\n–<\/td>\n<\/tr>\n
      Dual SIM A100<\/td>\n7b<\/td>\n11<\/td>\n81.79<\/td>\n100%<\/td>\n–<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

      IV. Datenanalyse<\/h4>\n

      1 Vergleich der Leistung einer einzelnen Karte mit der von zwei Karten<\/h5>\n
        \n
      1. Aus den Daten der Einzelkarte und der Doppelkarte bei 5 Personen, die das 7b-Modell verwenden, ergibt sich, dass die durchschnittliche Reaktionszeit der Doppelkarte etwa doppelt so lang ist wie die der Einzelkarte (68,90 Sekunden f\u00fcr die Einzelkarte und 33,14 Sekunden f\u00fcr die Doppelkarte), aber in Bezug auf die GPU-Belastung hat die Doppelkarte nicht die volle Belastungsgrenze erreicht, und es besteht immer noch ein Spielraum von etwa 10%. Dies deutet darauf hin, dass die Dual-Karten bei der gleichen Anzahl von Benutzern und Modellen keine signifikante Leistungsverbesserung aufweisen, obwohl die Antwortzeit reduziert wird.<\/li>\n
      2. Wenn die Anzahl der Benutzer auf der Doppelkarte weiter auf 11 ansteigt, steigt die durchschnittliche Antwortzeit auf etwa 80 Sekunden, was nahe an der Zeit liegt, die ein 7b-Modell mit einer Karte und 5 Benutzern ben\u00f6tigt (68,90 Sekunden), und die GPU erreicht ihre volle Belastungsgrenze. Dies deutet darauf hin, dass die Kapazit\u00e4t der Doppelkarten bei etwa 11 Nutzern nahezu ges\u00e4ttigt ist.<\/li>\n<\/ol>\n

        2. der Einfluss der Modellgr\u00f6\u00dfe auf die Leistung<\/h4>\n

        In der Single-Card-Umgebung zeigt das 70b-Modell einen signifikanten Anstieg der durchschnittlichen Antwortzeit (461,61 vs. 68,90 Sekunden) im Vergleich zum 7b-Modell f\u00fcr die gleiche Anzahl von Nutzern (5), und beide GPUs sind an ihrer Volllastgrenze. Dies deutet darauf hin, dass die Gr\u00f6\u00dfe des Modells einen signifikanten Einfluss auf die Antwortzeit hat, wobei gr\u00f6\u00dfere Modelle zeitaufw\u00e4ndiger sind und unter gr\u00f6\u00dferem Leistungsdruck stehen, wenn dieselben Benutzeranfragen auf einer einzigen Kartenhardware verarbeitet werden.<\/p>\n

        3. ein Vergleich der Zufriedenheit mit dem Modell<\/h5>\n

        In der Ein-Karten-Umgebung haben wir die Teilnehmer aufgefordert, die Qualit\u00e4t der Antworten und die Antwortgeschwindigkeit des 7b- bzw. 70b-Modells zu beurteilen und dann die Gesamtqualit\u00e4t der Modelle zu bewerten. Bei einer vollen Punktzahl von 100 Punkten erreichte das 70b-Modell 45,27 Punkte, w\u00e4hrend das 7b-Modell 47,05 Punkte erreichte, beide fielen durch. Da das 7b-Modell in der Dual-Card-Umgebung weiterhin verwendet wurde, \u00e4nderte sich der Inhalt der Antworten nicht, und es wurde nicht in die Leistungsbewertung einbezogen.<\/p>\n

        Bei den Durchschnittswerten gibt es kaum Unterschiede zwischen den beiden, wobei das Modell 7B aufgrund seiner schnellen Reaktion etwas besser abschneidet als das Modell 70B.<\/p>\n

        V. Einschl\u00e4gige experimentelle Daten<\/h4>\n

        1. einzelne Karte Modell 70b<\/h5>\n

        Die Messdaten lauten wie folgt:<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
        Seriennummer<\/strong><\/td>\nAntwort-Token-Rate (response_token\/s)<\/strong><\/td>\nPrompt-Token-Rate (prompt_token\/s)<\/strong><\/td>\nGesamtdauer (total_duration)<\/strong><\/td>\nBelastungsdauer (load_duration)<\/strong><\/td>\nDauer der Promptauswertung (prompt_eval_duration)<\/strong><\/td>\nDauer der Auswertung (eval_duration)<\/strong><\/td>\nAnzahl der Promptauswertungen (prompt_eval_count)<\/strong><\/td>\nAnzahl der Auswertungen (eval_count)<\/strong><\/td>\nUngef\u00e4hrer Gesamtbetrag (approximate_total)<\/strong><\/td>\n<\/tr>\n<\/thead>\n
        1<\/td>\n7.4<\/td>\n355.2<\/td>\n4283113421231<\/td>\n64926183<\/td>\n4420000000<\/td>\n218494000000<\/td>\n157<\/td>\n1617<\/td>\n0h7m8s<\/td>\n<\/tr>\n
        2<\/td>\n7.48<\/td>\n81.33<\/td>\n1045634640765<\/td>\n68951189<\/td>\n3320000000<\/td>\n187176000000<\/td>\n27<\/td>\n1400<\/td>\n0h17m25s<\/td>\n<\/tr>\n
        3<\/td>\n8.04<\/td>\n344.35<\/td>\n24894132815<\/td>\n71000796<\/td>\n12400000000<\/td>\n8426000000<\/td>\n427<\/td>\n470<\/td>\n0h4m48s<\/td>\n<\/tr>\n
        4<\/td>\n7.5<\/td>\n337.59<\/td>\n591143315288<\/td>\n45644958<\/td>\n1724000000<\/td>\n12407000000<\/td>\n582<\/td>\n93<\/td>\n0h9m51s<\/td>\n<\/tr>\n
        5<\/td>\n9.91<\/td>\n29.7<\/td>\n404229221982<\/td>\n47558712<\/td>\n505000000<\/td>\n39875000000<\/td>\n15<\/td>\n395<\/td>\n0h5m40s<\/td>\n<\/tr>\n
        6<\/td>\n14.33<\/td>\n232.67<\/td>\n130453080347<\/td>\n1068651783<\/td>\n8510000000<\/td>\n117870000000<\/td>\n198<\/td>\n1689<\/td>\n0h2m10s<\/td>\n<\/tr>\n
        7<\/td>\n6.72<\/td>\n18.76<\/td>\n95210741192<\/td>\n48216793<\/td>\n5330000000<\/td>\n198665000000<\/td>\n10<\/td>\n1321<\/td>\n0h15m52s<\/td>\n<\/tr>\n
        8<\/td>\n8.23<\/td>\n79.55<\/td>\n98536075497<\/td>\n48032930<\/td>\n3520000000<\/td>\n219607000000<\/td>\n28<\/td>\n1807<\/td>\n0h16m35s<\/td>\n<\/tr>\n
        9<\/td>\n8.57<\/td>\n15.87<\/td>\n1939882587504<\/td>\n52292653<\/td>\n4410000000<\/td>\n193187000000<\/td>\n7<\/td>\n1655<\/td>\n0h3m13s<\/td>\n<\/tr>\n
        10<\/td>\n7.78<\/td>\n92.9<\/td>\n203144306266<\/td>\n51738331<\/td>\n1830000000<\/td>\n167322000000<\/td>\n17<\/td>\n1302<\/td>\n0h3m23s<\/td>\n<\/tr>\n
        11<\/td>\n8.13<\/td>\n117.29<\/td>\n239838846247<\/td>\n43393536<\/td>\n3240000000<\/td>\n234391000000<\/td>\n38<\/td>\n1005<\/td>\n0h3m52s<\/td>\n<\/tr>\n
        12<\/td>\n7.53<\/td>\n15.87<\/td>\n5212125785230<\/td>\n46219772<\/td>\n3070000000<\/td>\n193187000000<\/td>\n6<\/td>\n1552<\/td>\n0h4m41s<\/td>\n<\/tr>\n
        13<\/td>\n7.22<\/td>\n37.38<\/td>\n472712581796<\/td>\n56530817<\/td>\n2140000000<\/td>\n151867000000<\/td>\n8<\/td>\n1097<\/td>\n0h7m52s<\/td>\n<\/tr>\n
        14<\/td>\n6.76<\/td>\n355.78<\/td>\n786198638097<\/td>\n52828335<\/td>\n3297000000<\/td>\n250036000000<\/td>\n1173<\/td>\n1689<\/td>\n0h13m6s<\/td>\n<\/tr>\n
        15<\/td>\n7.48<\/td>\n81.33<\/td>\n1045634640765<\/td>\n68951189<\/td>\n3320000000<\/td>\n187176000000<\/td>\n27<\/td>\n1400<\/td>\n0h17m25s<\/td>\n<\/tr>\n
        16<\/td>\n7.46<\/td>\n328.71<\/td>\n1074760952244<\/td>\n55115370<\/td>\n1809000000<\/td>\n270544000000<\/td>\n583<\/td>\n2019<\/td>\n0h17m54s<\/td>\n<\/tr>\n
        17<\/td>\n7.55<\/td>\n67.62<\/td>\n1035246489195<\/td>\n43186618<\/td>\n2810000000<\/td>\n180891000000<\/td>\n19<\/td>\n1365<\/td>\n0h17m15s<\/td>\n<\/tr>\n
        18<\/td>\n8.2<\/td>\n69.2<\/td>\n231120109216<\/td>\n65393535<\/td>\n2890000000<\/td>\n102891000000<\/td>\n20<\/td>\n844<\/td>\n0h3m51s<\/td>\n<\/tr>\n
        19<\/td>\n8.04<\/td>\n344.35<\/td>\n24894132815<\/td>\n71000796<\/td>\n12400000000<\/td>\n8426000000<\/td>\n427<\/td>\n470<\/td>\n0h4m48s<\/td>\n<\/tr>\n
        20<\/td>\n7.46<\/td>\n531<\/td>\n298843367796<\/td>\n35052474<\/td>\n2260000000<\/td>\n163617000000<\/td>\n12<\/td>\n1220<\/td>\n0h4m58s<\/td>\n<\/tr>\n
        21<\/td>\n8.12<\/td>\n367.32<\/td>\n160780214661<\/td>\n29093937<\/td>\n13830000000<\/td>\n85020000000<\/td>\n508<\/td>\n69<\/td>\n0h2m46s<\/td>\n<\/tr>\n
        22<\/td>\n7.5<\/td>\n337.59<\/td>\n591143315288<\/td>\n45644958<\/td>\n1724000000<\/td>\n12407000000<\/td>\n582<\/td>\n93<\/td>\n0h9m51s<\/td>\n<\/tr>\n
        23<\/td>\n8.71<\/td>\n47.46<\/td>\n8892981852348<\/td>\n55347279<\/td>\n2950000000<\/td>\n116917000000<\/td>\n14<\/td>\n1018<\/td>\n0h14m52s<\/td>\n<\/tr>\n
        24<\/td>\n7.57<\/td>\n40.54<\/td>\n372006145019<\/td>\n57666960<\/td>\n2960000000<\/td>\n230779000000<\/td>\n12<\/td>\n1748<\/td>\n0h6m12s<\/td>\n<\/tr>\n
        25<\/td>\n7.29<\/td>\n312.13<\/td>\n394296371542<\/td>\n52036868<\/td>\n6414000000<\/td>\n201349000000<\/td>\n2002<\/td>\n1468<\/td>\n0h6m34s<\/td>\n<\/tr>\n
        26<\/td>\n7.4<\/td>\n355.2<\/td>\n4283113421231<\/td>\n64926183<\/td>\n4420000000<\/td>\n218494000000<\/td>\n157<\/td>\n1617<\/td>\n0h7m8s<\/td>\n<\/tr>\n
        27<\/td>\n7.45<\/td>\n343.03<\/td>\n4240323179167<\/td>\n29765571<\/td>\n5912000000<\/td>\n252690000000<\/td>\n2028<\/td>\n1883<\/td>\n0h7m4s<\/td>\n<\/tr>\n
        28<\/td>\n7.39<\/td>\n347.62<\/td>\n343393037822<\/td>\n445458914<\/td>\n3849000000<\/td>\n198053000000<\/td>\n1338<\/td>\n1463<\/td>\n0h5m43s<\/td>\n<\/tr>\n
        29<\/td>\n7.68<\/td>\n355.13<\/td>\n448657450858<\/td>\n344674525<\/td>\n1912000000<\/td>\n89917000000<\/td>\n679<\/td>\n691<\/td>\n0h3m36s<\/td>\n<\/tr>\n
        30<\/td>\n8.65<\/td>\n223.11<\/td>\n367343951946<\/td>\n44474014<\/td>\n5020000000<\/td>\n80331000000<\/td>\n112<\/td>\n695<\/td>\n0h6m7s<\/td>\n<\/tr>\n
        31<\/td>\n8.87<\/td>\n159.34<\/td>\n46850899401<\/td>\n80106631<\/td>\n1820000000<\/td>\n41840000000<\/td>\n29<\/td>\n371<\/td>\n0h0m46s<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

        \u00fc Statistische Ergebnisse<\/h4>\n