DeepSeek-R1本地化部署全流程

1、模型定位与平衡运行硬件需求

1.5B/7B/8B版本

定位：中小型模型、轻量级模型、平衡型模型

参数规模：1.5B(15亿)、7B(70亿)、8B(80亿)

特点：轻量级模型，资源消耗低，推理速度快，但处理复杂任务的能力有限。

硬件需求：普通消费级GPU（如RTX3090/4090 GPU，显存≥4GB）

适用场景：

• 本地开发和测试：可处理一些常规的翻译、总结、摘要、生成等常见任务
• 轻量级应用：常规智能助手、常规文本生成工具（如摘要生成、基础问答）、轻量级多轮对话系统等。
• 实时性要求高的场景：用于某些资源受限的环境下所使用。

14B/32B版本

定位：大型模型、高性能模型、专业型模型

参数规模：14B(140亿)、32B(320亿)

特点：中等规模模型，推理能力显著提升，支持复杂逻辑推理和代码生成。

硬件需求：高端GPU（如RTX4090/A5000 GPU，显存≥16GB）

适用场景：

• 中高等复杂任务：长文本理解生成、高级别文本翻译、高级别文本分析、专业领域的知识图谱构建等需要较高精度的任务。
• 专业开发工具：如专业型数据分析（如辅助编程或企业级文档处理）、深度内容分析处理等。

70B/671B版本

定位：超大规模模型、顶级模型

参数规模：70B(700亿)、671B(6710亿)

特点：顶级大模型，擅长复杂推理和海量数据处理。

硬件需求：大规模云端计算集群（如多卡A100/H100 GPU，显存≥80GB）

适用场景：

• 科研与高精度任务：如医学数据分析、复杂数学证明、战略决策支持等。
• 云端服务：大型企业的数据挖掘、大型企业的前沿探索、超长超复杂内容处理等。

DeepSeek-R1-xx各版本本地部署硬件配置对比表

模型版本	CPU	内存	GPU	GPU型号示例
1.5B	4核+	8GB+	非必需，可选4GB+	如GTX 1650/RTX2060
7B	8核+	16GB+	8GB+	如RTX 3070/4060
8B	8核+	16GB+	8GB+	如RTX 3070/4060
14B	12核+	32GB+	16GB+	如RTX 4090/A5000
32B	16核+	64GB+	24GB+	如A100 40GB
70B	32核+	128GB+	多卡	如2xA100 80GB
671B	64核+	512GB+	多卡	如8xA100/H100

2、模型本地化部署

1、下载Ollama

官网：https://ollama.com

打开官网，如下图，很醒目的一个「Download」

点击一下，下载对应系统的版本，即可，如下图。

macOS、Windows直接显示对应版本下载，Unix显示安装命令。

安装完成后，在命令行终端，输入 ollama -v 测试，显示版本号，表示安装成功，如下图：

2、安装DeepSeek-R1模型

在 Ollama 官网的「Models」导航处，搜索「deepseek」。

使用 ollama run deepseek-r1:XX命令进行安装，XX为版本号，如下图：

ollama run deepseek-r1:32b回车，等待下载成功。看到success,下载完成

3、使用DeepSeek对话

模型下载好后，在终端里就可以和 deepseek 进行对话。

4、安装客户端

安装客户端，ChatBox、Cherry Studio 等都可以，这里我使用 ChatBox 集成 DeepSeek。

ChatBox 官网链接：https://chatboxai.app，下载对应系统的版本安装即可。

配置本地模型

设置模型地址和参数，选好模型提供方为 ollama 和模型 deepseek-r1，然后保存即可

以上，安装部署使用 DeepSeek-R1 的全过程。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】