2025.01.20 DeepSeek-R1 发布,DeepSeek R1 是 DeepSeek AI 开发的第一代推理模型,擅长复杂的推理任务,官方对标OpenAI
o1正式版。适用于多种复杂任务,如数学推理、代码生成和逻辑推理等。
根据官方信息DeepSeek R1 可以看到提供多个版本,包括完整版(671B 参数)和蒸馏版(1.5B 到 70B 参数)。完整版性能强大,但需要极高的硬件配置;蒸馏版则更适合普通用户,硬件要求较低
DeepSeek-R1官方地址:
https://
github.com/deepseek-ai/
DeepSeek-R1
- 完整版(671B)
:需要至少 350GB 显存/内存,适合专业服务器部署
- 蒸馏版
:基于开源模型(如 QWEN
-
)微调,参数量从 1.5B 到 70B 不等,适合本地硬件部署。
蒸馏版与完整版的区别
|
|
|
---|---|---|
|
|
|
|
|
|
|
|
|
这里我们详细看下蒸馏版模型的特点
|
|
|
---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
进一步的模型细分还分为量化版
|
|
|
---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
蒸馏版与量化版
|
|
---|---|
|
|
|
|
例如:
deepseek-r1:7b-qwen-distill-q4_K_M
:7B 模型的蒸馏+量化版本,显存需求从 5GB 降至 3GB。 deepseek-r1:32b-qwen-distill-q4_K_M
:32B 模型的蒸馏+量化版本,显存需求从 22GB 降至 16GB
我们正常本地部署使用蒸馏版就可以
2|0二、型号和硬件要求
2|12.1硬件配置说明
- Windows 配置
:
- 最低要求
:NVIDIA GTX 1650 4GB 或 AMD RX 5500 4GB,16GB 内存,50GB 存储空间 - 推荐配置
:NVIDIA RTX 3060 12GB 或 AMD RX 6700 10GB,32GB 内存,100GB NVMe SSD - 高性能配置
:NVIDIA RTX 3090 24GB 或 AMD RX 7900 XTX 24GB,64GB 内存,200GB NVMe SSD
- Linux 配置
: - 最低要求
:NVIDIA GTX 1660 6GB 或 AMD RX 5500 4GB,16GB 内存,50GB 存储空间 - 推荐配置
:NVIDIA RTX 3060 12GB 或 AMD RX 6700 10GB,32GB 内存,100GB NVMe SSD - 高性能配置
:NVIDIA A100 40GB 或 AMD MI250X 128GB,128GB 内存,200GB NVMe SSD - Mac 配置
: - 最低要求
:M2 MacBook Air(8GB 内存) - 推荐配置
:M2/M3 MacBook Pro(16GB 内存) - 高性能配置
:M2 Max/Ultra Mac Studio(64GB 内存) -
可根据下表配置选择使用自己的模型
模型名称 参数量 大小 VRAM (Approx.) 推荐 Mac 配置 推荐 Windows/Linux 配置 deepseek-r1:1.5b 1.5B 1.1 GB ~2 GB M2/M3 MacBook Air (8GB RAM+) NVIDIA GTX 1650 4GB / AMD RX 5500 4GB (16GB RAM+) deepseek-r1:7b 7B 4.7 GB ~5 GB M2/M3/M4 MacBook Pro (16GB RAM+) NVIDIA RTX 3060 8GB / AMD RX 6600 8GB (16GB RAM+) deepseek-r1:8b 8B 4.9 GB ~6 GB M2/M3/M4 MacBook Pro (16GB RAM+) NVIDIA RTX 3060 Ti 8GB / AMD RX 6700 10GB (16GB RAM+) deepseek-r1:14b 14B 9.0 GB ~10 GB M2/M3/M4 Pro MacBook Pro (32GB RAM+) NVIDIA RTX 3080 10GB / AMD RX 6800 16GB (32GB RAM+) deepseek-r1:32b 32B 20 GB ~22 GB M2 Max/Ultra Mac Studio NVIDIA RTX 3090 24GB / AMD RX 7900 XTX 24GB (64GB RAM+) deepseek-r1:70b 70B 43 GB ~45 GB M2 Ultra Mac Studio NVIDIA A100 40GB / AMD MI250X 128GB (128GB RAM+) deepseek-r1:1.5b-qwen-distill-q4_K_M 1.5B 1.1 GB ~2 GB M2/M3 MacBook Air (8GB RAM+) NVIDIA GTX 1650 4GB / AMD RX 5500 4GB (16GB RAM+) deepseek-r1:7b-qwen-distill-q4_K_M 7B 4.7 GB ~5 GB M2/M3/M4 MacBook Pro (16GB RAM+) NVIDIA RTX 3060 8GB / AMD RX 6600 8GB (16GB RAM+) deepseek-r1:8b-llama-distill-q4_K_M 8B 4.9 GB ~6 GB M2/M3/M4 MacBook Pro (16GB RAM+) NVIDIA RTX 3060 Ti 8GB / AMD RX 6700 10GB (16GB RAM+) deepseek-r1:14b-qwen-distill-q4_K_M 14B 9.0 GB ~10 GB M2/M3/M4 Pro MacBook Pro (32GB RAM+) NVIDIA RTX 3080 10GB / AMD RX 6800 16GB (32GB RAM+) deepseek-r1:32b-qwen-distill-q4_K_M 32B 20 GB ~22 GB M2 Max/Ultra Mac Studio NVIDIA RTX 3090 24GB / AMD RX 7900 XTX 24GB (64GB RAM+) deepseek-r1:70b-llama-distill-q4_K_M 70B 43 GB ~45 GB M2 Ultra Mac Studio NVIDIA A100 40GB / AMD MI250X 128GB (128GB RAM+) 3|0三、本地安装 DeepSeek R1
我这里的演示的本地环境:机器:M2/M3/M4 MacBook Pro (16GB RAM+)模型:deepseek-r1:8b
简单说下在本地运行的好处
之后如果有Windows/Linux的场景需要在后续进行更新。
3|13.1部署工具
部署可以使用Ollama
- 隐私
:您的数据保存在本地的设备上,不会通过外部服务器 - 离线使用
:下载模型后无需互联网连接 - 经济高效
:无 API 成本或使用限制 - 低延迟
:直接访问,无网络延迟 - 自定义
:完全控制模型参数和设置 -
、 -
LM Studio -
、 -
Docker 等进行部署
-
支持 Windows、Linux 和 Mac 系统,提供命令行和 Docker 部署方式 -
使用命令 ollama run deepseek-r1:7b
下载并运行模型 - Ollama
:本地大模型管理框架,Ollama 让用户能够在本地环境中高效地部署和使用语言模型,而无需依赖云服务 - LM Studio
:LM Studio 是一个桌面应用程序,它提供了一个用户友好的界面,允许用户轻松下载、加载和运行各种语言模型(如 LLaMA、GPT 等) -
支持 Windows 和 Mac,提供可视化界面,适合新手用户 -
支持 CPU+GPU 混合推理,优化低配硬件性能 - Docker
: -
支持 Linux 和 Windows,适合高级用户。 -
使用命令 docker run -d --gpus=all -p 11434:11434 --name ollama ollama/ollama
启动容器。 -
由于需要本地化部署语言模型的场景,对数据隐私和自定义或扩展语言模型功能有较高要求,我们这里使用Ollama来进行本地部署运行
如果只有集显也想试试玩,可以试试下载LM Studio软件,更适应新手,如果有需要后续更新
3|23.2 安装 ollama
官方地址:https://ollama.com/
选择自己的系统版本进行下载
安装完成
控制台验证是否成功安装
我们再回到ollama官网选择模型,选择需要的模型复制命令进行安装
可以看到安装完成
简单思考下,使用过程中的硬件使用率,GPU饱和,其他使用率不是很高,速度也很快
4|0四、可视化界面
这里介绍下Open-WebUI
-
和 -
Dify Open-WebUI是一款自托管 LLM Web 界面,提供 Web UI 与大模型交互,仅提供 Web UI,不提供 API,适用于个人使用 LLM以及本地运行大模型
Dify是LLM 应用开发平台,不完全是可视化界面,可以快速构建 LLM 应用(RAG、AI 代理等),提供 API,可用于应用集成,支持 MongoDB、PostgreSQL 存储 LLM 相关数据, AI SaaS、应用开发,需要构建智能客服、RAG 应用等
4|14.1 Open-WebUI
-
Open-WebUI官方地址:
https://
github.com/open-webui/o
pen-webui
Open-WebUI官方文档地址:
https://
docs.openwebui.com/gett
ing-started/
-
根据官网文档可使用pip和docker进行安装,我这里避免影响本地环境使用docker进行安装
-
docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main
-
访问http://localhost:3000/
创建账号
访问成功
简单的问下问题,实际运行8b模型给出的代码是有问题的,根据报错的问题再次思考时间会变长
4|24.2 Dify
Dify官方地址:
https://
github.com/langgenius/d
ify
启动成功,localhost访问
登录成功选择Ollama进行添加模型模型供应商,如果Ollama和Dify是同机部署,并且Dify是通过Docker部署,那么填
http://host.docker.internal:11434
即可
接下来创建应用使用之前安装好的DeepSeek R1模型
可以看到右上角已经使用deepseek-r1:8b的模型了
简单的问个问题可以看到已经正常使用
Dify不只是对话,其他功能可以自行探索下,后续有使用我也会更新
以上就是简单本地部署Deepseek- R1的过程
5|0五、关于Deepseek的使用
最后在本地部署蒸馏版的体验中对于回答的代码内容有些不尽人意,不过文字以及思考过程的能力还是可以的
如果想在后续体验完整版的Deepseek,还没有高性能的硬件,那么直接使用deepseek官方的服务吧,api是真的便宜
Deepseek刚出现的时候就有在体验过包括使用API,Deepseek火了之后也总出现了服务器繁忙请稍后再试,API的地址也无法使用,不过之前使用的API却还可以正常使用,希望尽快修复吧
在vs code中通过Continue插件使用Deepseek的API,也可以在Open-WebUI接入API
在使用过程中感觉到有些上下文联系不是很紧密,不过思考过程确实很惊艳,在某些方面o1可能还是好些
后来发现chatgpt、kimi这些也推出了推理功能:D,
原文始发于微信公众号(骇客安全):deepseek R1模型部署!!!!!
- 左青龙
- 微信扫一扫
-
- 右白虎
- 微信扫一扫
-
评论