DeepSeek-R1本地部署指南,开启你的AI探索之旅-电子发烧友网

春节期间突然被DeepSeek刷屏了，这热度是真大，到处都是新闻和本地部署的教程，等热度过了过，简单记录下自己本地部署及相关的内容，就当电子宠物，没事喂一喂:D，不过有能力的还是阅读论文和部署完整版的进一步使用。

论文链接：https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf

1|0一、什么是 DeepSeek R1

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。

DeepSeek-R1 发布的新闻：https://api-docs.deepseek.com/zh-cn/news/news250120

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 和 LLAMA）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

特性	蒸馏版	完整版
参数量	参数量较少（如 1.5B、7B），性能接近完整版但略有下降。	参数量较大（如 32B、70B），性能最强。
硬件需求	显存和内存需求较低，适合低配硬件。	显存和内存需求较高，需高端硬件支持。
适用场景	适合轻量级任务和资源有限的设备。	适合高精度任务和专业场景。

这里我们详细看下蒸馏版模型的特点

模型版本	参数量	特点
deepseek-r1:1.5b	1.5B	轻量级模型，适合低配硬件，性能有限但运行速度快
deepseek-r1:7b	7B	平衡型模型，适合大多数任务，性能较好且硬件需求适中。
deepseek-r1:8b	8B	略高于 7B 模型，性能稍强，适合需要更高精度的场景。
deepseek-r1:14b	14B	高性能模型，适合复杂任务（如数学推理、代码生成），硬件需求较高。
deepseek-r1:32b	32B	专业级模型，性能强大，适合研究和高精度任务，需高端硬件支持。
deepseek-r1:70b	70B	顶级模型，性能最强，适合大规模计算和高复杂度任务，需专业级硬件支持。

进一步的模型细分还分为量化版

模型版本	参数量	特点
deepseek-r1:1.5b-qwen-distill-q4_K_M	1.5B	轻量级模型，适合低配硬件，性能有限但运行速度快
deepseek-r1:7b-qwen-distill-q4_K_M	7B	平衡型模型，适合大多数任务，性能较好且硬件需求适中。
deepseek-r1:8b-llama-distill-q4_K_M	8B	略高于 7B 模型，性能稍强，适合需要更高精度的场景。
deepseek-r1:14b-qwen-distill-q4_K_M	14B	高性能模型，适合复杂任务（如数学推理、代码生成），硬件需求较高。
deepseek-r1:32b-qwen-distill-q4_K_M	32B	专业级模型，性能强大，适合研究和高精度任务，需高端硬件支持。
deepseek-r1:70b-llama-distill-q4_K_M	70B	顶级模型，性能最强，适合大规模计算和高复杂度任务，需专业级硬件支持。

蒸馏版与量化版

模型类型	特点
蒸馏版	基于大模型（如 QWEN 或 LLAMA）微调，参数量减少但性能接近原版，适合低配硬件。
量化版	通过降低模型精度（如 4-bit 量化）减少显存占用，适合资源有限的设备。

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

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

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、LM Studio、Docker等进行部署

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

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

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/open-webui

Open-WebUI官方文档地址：https://docs.openwebui.com/getting-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