{"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\/es\/archives\/5517","title":{"rendered":"Qu\u00e9 configuraciones son necesarias para el modelo DeepSeek local y las puntuaciones de tiempo de ejecuci\u00f3n para cada configuraci\u00f3n."},"content":{"rendered":"

I. Conclusiones del estudio<\/h4>\n

1. Conclusiones generales<\/h5>\n

Los resultados de este estudio muestran que la ejecuci\u00f3n de la versi\u00f3n b\u00e1sica del modelo DeepSeek en las condiciones de mayor potencia de c\u00e1lculo que se pueden encontrar actualmente a nivel local sigue enfrent\u00e1ndose a importantes retos. En concreto, el coste de construcci\u00f3n es demasiado elevado y a\u00fan no es suficiente para soportar escenarios generales como la pregunta y respuesta continuas y el soporte al desarrollo en t\u00e9rminos de rendimiento y calidad.<\/p>\n

Si se desea entrenar un modelo especializado basado en la versi\u00f3n de base del modelo DeepSeek para su aplicaci\u00f3n en un producto, es necesario considerar cuidadosamente los requisitos t\u00e9cnicos del escenario de aplicaci\u00f3n en t\u00e9rminos de concurrencia, puntualidad, etc\u00e9tera. La relaci\u00f3n entre el tama\u00f1o del modelo base y la aritm\u00e9tica objetivo del producto debe evaluarse razonablemente para lograr un equilibrio entre el coste y la eficacia del producto.<\/p>\n

Aunque existen muchas limitaciones en el funcionamiento del modelo DeepSeek bajo el actual entorno de hardware local, no significa que est\u00e9 completamente inexplorado. Si bajo la premisa de aumentar adecuadamente el coste del hardware, como aumentar la capacidad de memoria de v\u00eddeo y adoptar una arquitectura de hardware m\u00e1s eficiente, y al mismo tiempo, se pueden reforzar medios t\u00e9cnicos como el entrenamiento de destilaci\u00f3n basado en modelos m\u00e1s peque\u00f1os como el 7B para mejorar la calidad del Q&A del modelo y satisfacer mejor las necesidades de las aplicaciones locales. Adem\u00e1s, tambi\u00e9n es posible explorar en profundidad c\u00f3mo optimizar el algoritmo del modelo y la depuraci\u00f3n de par\u00e1metros para mejorar a\u00fan m\u00e1s el rendimiento del modelo en las condiciones de hardware existentes.<\/p>\n

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

2. Rendimiento de los distintos modelos locales<\/h5>\n

Pudimos soportar hasta 70 ejecuciones de modelos de DeepSeek R1 bas\u00e1ndonos en los requisitos m\u00ednimos de configuraci\u00f3n para la implantaci\u00f3n local de los modelos desde el sitio web de DeepSeek, combinados con el mejor hardware del que dispon\u00edamos (es decir, 2 memorias gr\u00e1ficas NVIDIA A100 80G), y no pudimos ejecutar el modelo completo de 671b.<\/p>\n

Intentamos instalar un total de 6 modelos de 70b e inferiores, y todos ellos pudieron funcionar correctamente. Los modelos de 1,5b no fueron eficaces, y basamos nuestras pruebas y an\u00e1lisis comparativos principalmente en los modelos de 70b y 7b.<\/p>\n

Adem\u00e1s, primero llevamos a cabo la prueba de una sola tarjeta encontr\u00f3 que el modelo 70b velocidad de respuesta es demasiado lenta, la prueba de doble tarjeta s\u00f3lo para una sola tarjeta dual diferencias te\u00f3ricas de rendimiento (el mismo modelo de diferente impacto aritm\u00e9tica en la velocidad de razonamiento de rendimiento, te\u00f3ricamente no afecta a la calidad, simple verificaci\u00f3n tambi\u00e9n est\u00e1 en consonancia con el escenario te\u00f3rico), por lo tanto, que el entorno experimental de doble tarjeta, s\u00f3lo se utiliza el modelo 7b para una amplia gama de validaci\u00f3n.<\/p>\n

7b<\/strong>Rendimiento de los modelos:<\/strong>En la prueba con carga completa para 5 personas, el modelo 7b respondi\u00f3 con relativa rapidez en las primeras preguntas y respuestas (casi 35 segundos para la tarjeta doble y casi 70 segundos para la tarjeta \u00fanica). La estructura y la calidad del contenido de las respuestas se comportaron moderadamente bien, pero tras formular algunas preguntas inferenciales complejas o preguntas de seguimiento continuo, debido al crecimiento del contexto, el modelo 7b empez\u00f3 a mostrar respuestas incoherentes, maquilladas y mal concebidas, aunque la velocidad de respuesta se mantuvo estable.<\/p>\n

70b<\/strong>Rendimiento de los modelos:<\/strong>En una prueba de carga completa con 5 personas, el modelo 70b tard\u00f3 mucho en responder a la primera respuesta a la misma pregunta (m\u00e1s de 7 minutos para la tarjeta simple, no se prob\u00f3 en detalle para la tarjeta doble por simple validaci\u00f3n \u00fanicamente). El contenido de las respuestas era un poco mejor que el del modelo 7b en cuanto a estructura, presentaci\u00f3n y calidad, pero no superaba en mucho a las respuestas del modelo 7b, y a medida que aumentaba el contexto (m\u00e1s largo que el del modelo 7b), el modelo 70b tambi\u00e9n mostraba los mismos fen\u00f3menos de mala calidad de las respuestas, l\u00f3gica confusa e inventos. En concreto, el tiempo de respuesta del modelo 70b es demasiado largo para el hardware disponible, lo que da lugar a una mala experiencia de usuario y afecta gravemente a su puntuaci\u00f3n de calidad.<\/p>\n

Por \u00faltimo, a trav\u00e9s de los datos de valoraci\u00f3n de los usuarios, tanto el modelo 7b como el 70b fallaron en cuanto a la calidad del contenido de la respuesta, siendo el modelo 7b el que obtuvo un nivel ligeramente superior de satisfacci\u00f3n de los usuarios debido a su respuesta relativamente r\u00e1pida.<\/p>\n

3. Comparaci\u00f3n entre el modelo local 70b y el modelo oficial en Internet<\/h5>\n

Las respuestas del modelo 70b son de calidad media.<\/p>\n

En cuanto a la calidad de las respuestas al modelo 70b, hemos organizado varias pruebas. Se formularon las mismas preguntas al modelo DeepSeek-R1:70b desplegado localmente y al sitio web oficial de DeepSeek en l\u00ednea (es decir, al modelo DeepSeek-R1 completo).<\/p>\n

En primer lugar, hay una diferencia en la velocidad de respuesta. En el modelo local 70b, la velocidad de respuesta es de unos 70 segundos (prueba unipersonal), mientras que en la web oficial es de unos 30 segundos (prueba unipersonal).<\/p>\n

En segundo lugar, hay una diferencia en la calidad del contenido de las respuestas entre los dos. El modelo 70b da ocasionalmente respuestas simples a preguntas normales de cuestionario de conocimientos, e incluso respuestas incorrectas a preguntas complejas de razonamiento, mientras que la versi\u00f3n oficial completa del modelo tiene una calidad m\u00e1s detallada y espec\u00edfica de las respuestas tanto a preguntas simples de cuestionario de conocimientos como a preguntas m\u00e1s complejas de razonamiento, que se acercan m\u00e1s a la situaci\u00f3n real.<\/p>\n

4. Evaluaci\u00f3n del n\u00famero de usuarios que pueden transportarse con distintos equipos inform\u00e1ticos<\/h5>\n

Tarjeta \u00fanica A100: ideal para 3 \u00f3 4 usuarios en el modelo 7b y para 1 \u00f3 2 usuarios en el modelo 70b.<\/p>\n

Dual SIM A100: En el modelo 7b, el n\u00famero ideal de usuarios es de unos 8 - 10. El 70b no se ha evaluado experimentalmente.<\/p>\n

Adem\u00e1s, la calidad de las respuestas en el modo de doble tarjeta es esencialmente la misma en comparaci\u00f3n con el modelo 7b en el modo de tarjeta \u00fanica. La mejora en m\u00e9tricas como el n\u00famero de usuarios transportados y la respuesta es esencialmente lineal, es decir, 1+1\u22482.<\/p>\n

5. Estimaci\u00f3n de los costes de hardware para alojar a 500 usuarios simult\u00e1neos<\/h5>\n

Como m\u00ednimo, se supone que el coste de despliegue del hardware del modelo 7b es de unos 3 millones de d\u00f3lares.<\/p>\n

Tome el primer tiempo de respuesta (70 segundos) como el tiempo de espera m\u00e1ximo aceptado. Para la empresa de I + D alrededor de 500 personas a utilizar, por lo menos necesita para apoyar los c\u00e1lculos de concurrencia de 100 v\u00edas, tiene que ser m\u00e1s de una arquitectura de servidor para el modo de cl\u00faster, suponiendo que la tarjeta de 4 A100 como una unidad, una sola unidad puede soportar la concurrencia de 20 v\u00edas, entonces usted necesita para 5 servidores para formar un cl\u00faster, los costos de hardware relacionados tienen que ser un m\u00ednimo de alrededor de 3 millones de yuanes.<\/p>\n

En resumen, es necesario dar soporte a m\u00e1s personas para que utilicen el modelo DeepSeek-R1:7b local al mismo tiempo, el coste del hardware es relativamente alto y hay que tener en cuenta otros factores como el ancho de banda de la red y el rendimiento del servidor en las aplicaciones pr\u00e1cticas para garantizar el funcionamiento estable del sistema.<\/p>\n

Al mismo tiempo, para hacer frente al crecimiento de usuarios y a la demanda de actualizaci\u00f3n de modelos durante los periodos de m\u00e1xima actividad, tambi\u00e9n es necesario aumentar adecuadamente la redundancia de hardware (por ejemplo, aumentar los recursos de hardware de 10% - 20%) para garantizar la fiabilidad y escalabilidad del sistema, y el coste de inversi\u00f3n real puede ser mucho mayor que 3 millones de RMB.<\/p>\n

II. Entorno y modalidades experimentales<\/h4>\n

1.Notas de la versi\u00f3n de DeepSeek:<\/h5>\n

En cuanto a la elecci\u00f3n de la versi\u00f3n del modelo de inferencia R1 de DeepSeek, seg\u00fan los requisitos m\u00ednimos de configuraci\u00f3n de su web oficial, el<\/p>\n

\"\"<\/p>\n

Mientras usamos ollama con unidades de cuantificaci\u00f3n de 4bit, la memoria de v\u00eddeo \u2248 n\u00famero de participantes\/2 = 335G \u2248 80*4 , por lo que desplegar la versi\u00f3n 671B del modelo requiere al menos 5 A100.<\/p>\n

Por lo tanto, debido al entorno de hardware de este uso, el m\u00e1ximo es de s\u00f3lo 2 tarjetas gr\u00e1ficas A100 80G, que s\u00f3lo pueden soportar DeepSeek - R1's 70B model run at the maximum under this condition.<\/p>\n

2. Entorno experimental<\/h5>\n
    \n
  1. modelizaci\u00f3n<\/strong> Modelo DeepSeek-r1:7b, modelo DeepSeek-r1:70b<\/li>\n
  2. servidor (ordenador)<\/strong>: NF5280M5<\/li>\n
  3. tarjeta de visualizaci\u00f3n (ordenador)<\/strong>: NVIDIA A100 80GB PCIe *2, dividido en uso de tarjeta simple y doble.<\/li>\n<\/ol>\n
    3. M\u00e9todos de ensayo<\/h5>\n
      \n
    1. Pruebas con una sola tarjeta<\/strong> Se midi\u00f3 el tiempo medio de respuesta y la carga de la GPU de los modelos 7b y 70b para 5 usuarios simult\u00e1neos, y los probadores calificaron su satisfacci\u00f3n con el rendimiento del modelo en funci\u00f3n de la calidad de las respuestas.<\/li>\n
    2. Prueba Dual SIM<\/strong> Evaluaci\u00f3n 7b: El modelo de evaluaci\u00f3n 7b se utiliz\u00f3 con 5 personas al mismo tiempo, aumentando gradualmente el n\u00famero de usuarios y observando la carga de la GPU y el consumo de tiempo de respuesta.<\/li>\n<\/ol>\n

      III. Resumen de los datos<\/h4>\n

      Estas son las estad\u00edsticas de los datos de la prueba realizada en 1 hora.<\/p>\n\n\n\n\n\n\n\n
      entorno de hardware<\/td>\nmodelizaci\u00f3n<\/td>\nN\u00famero de usuarios (personas)<\/td>\nTiempo medio de respuesta (segundos)<\/td>\nCarga de la GPU<\/td>\nSatisfacci\u00f3n de los usuarios (100 puntos)<\/td>\n<\/tr>\n
      Tarjeta \u00fanica A100<\/td>\n7b<\/td>\n5<\/td>\n68.90<\/td>\n100%<\/td>\n47.05<\/td>\n<\/tr>\n
      Tarjeta \u00fanica A100<\/td>\n70b<\/td>\n5<\/td>\n461.61<\/td>\n100%<\/td>\n45.27<\/td>\n<\/tr>\n
      Doble SIM A100<\/td>\n7b<\/td>\n5<\/td>\n33.14<\/td>\n90%<\/td>\n–<\/td>\n<\/tr>\n
      Doble SIM A100<\/td>\n7b<\/td>\n11<\/td>\n81.79<\/td>\n100%<\/td>\n–<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

      IV. An\u00e1lisis de datos<\/h4>\n

      1. Comparaci\u00f3n del rendimiento de una tarjeta con el de dos tarjetas<\/h5>\n
        \n
      1. A partir de los datos de la tarjeta \u00fanica y la tarjeta doble con 5 personas utilizando el modelo 7b, el tiempo medio de respuesta de la tarjeta doble es aproximadamente 2 veces el de la tarjeta \u00fanica (68,90 segundos para la tarjeta \u00fanica y 33,14 segundos para la tarjeta doble), pero en t\u00e9rminos de carga de la GPU, la tarjeta doble no ha alcanzado el l\u00edmite de carga total, y a\u00fan queda un margen de unos 10%. Esto sugiere que las tarjetas duales no presentan una mejora significativa del rendimiento cuando se trata del mismo n\u00famero de usuarios y modelos, aunque se reduce el tiempo de respuesta.<\/li>\n
      2. Cuando el n\u00famero de usuarios de la tarjeta dual sigue aumentando hasta 11, el tiempo medio de respuesta se eleva a unos 80 segundos, lo que se aproxima al tiempo que tarda una tarjeta \u00fanica con 5 usuarios utilizando el modelo 7b (68,90 segundos), y la GPU alcanza su capacidad m\u00e1xima. Esto indica que la capacidad de las tarjetas duales est\u00e1 cerca de la saturaci\u00f3n en torno a los 11 usuarios.<\/li>\n<\/ol>\n

        2. Impacto del tama\u00f1o del modelo en el rendimiento<\/h4>\n

        En el entorno de una sola tarjeta, el modelo 70b muestra un aumento significativo del tiempo medio de respuesta (461,61 frente a 68,90 segundos) en comparaci\u00f3n con el modelo 7b para el mismo n\u00famero de usuarios (5), y ambas GPU est\u00e1n al l\u00edmite de su carga m\u00e1xima. Esto sugiere que el tama\u00f1o del modelo tiene un impacto significativo en el tiempo de respuesta, ya que los modelos m\u00e1s grandes consumen m\u00e1s tiempo y est\u00e1n sometidos a una mayor presi\u00f3n de rendimiento al procesar las mismas peticiones de usuarios en el hardware de una sola tarjeta.<\/p>\n

        3. Comparaci\u00f3n de la satisfacci\u00f3n de la respuesta del modelo<\/h5>\n

        En el entorno de tarjeta \u00fanica, invitamos a los participantes a considerar la calidad de las respuestas y la velocidad de respuesta de los modelos 7b y 70b, respectivamente, y despu\u00e9s puntuamos la calidad global de los modelos. Con una puntuaci\u00f3n total de 100 puntos, el modelo 70b obtuvo 45,27 puntos, mientras que el modelo 7b obtuvo 47,05 puntos, suspendiendo ambos. En cuanto al entorno de doble tarjeta, como se sigui\u00f3 utilizando el modelo 7b, no hubo cambios en el contenido de la respuesta y no intervino en la puntuaci\u00f3n del rendimiento.<\/p>\n

        En t\u00e9rminos de puntuaci\u00f3n media, hay poca diferencia entre los dos, con el modelo 7B puntuando ligeramente mejor que el modelo 70B en t\u00e9rminos de satisfacci\u00f3n de rendimiento debido a su r\u00e1pida respuesta.<\/p>\n

        V. Datos experimentales relevantes<\/h4>\n

        1. Tarjeta \u00fanica modelo 70b<\/h5>\n

        Los datos de medici\u00f3n son los siguientes:<\/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
        n\u00famero de serie<\/strong><\/td>\nTasa de respuesta (response_token\/s)<\/strong><\/td>\nTasa de tokens de aviso (prompt_token\/s)<\/strong><\/td>\nDuraci\u00f3n total (duraci\u00f3n_total)<\/strong><\/td>\nDuraci\u00f3n de la carga (duraci\u00f3n_carga)<\/strong><\/td>\nDuraci\u00f3n de la evaluaci\u00f3n de la solicitud (prompt_eval_duration)<\/strong><\/td>\nDuraci\u00f3n de la evaluaci\u00f3n (eval_duration)<\/strong><\/td>\nRecuento de evaluaciones (prompt_eval_count)<\/strong><\/td>\nRecuento de evaluaciones (eval_count)<\/strong><\/td>\nTotal aproximado (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 Resultados estad\u00edsticos<\/h4>\n