# 别再被 DeepSeek R1 本地部署割韭菜，我帮你把坑都踩遍了 \| 附免费教程

- 作者：山宗
- 发布时间：2025-02-11 16:56
- 分类：软件
- 原文：https://www.ifanr.com/1614269

![](https://s3.ifanr.com/wp-content/uploads/2025/02/123-1.jpeg)

> 买它！趁着过年有空学起来。

这个春节，DeepSeek 像一条鲶鱼搅动了海内外无数人的心弦。当硅谷还沉浸 DeepSeek 带来的震撼时，一场声势浩大的 AI「淘金热」也在逐渐渗透国内主流电商平台。

号称内置 DeepSeek 的智能键盘日销近百万，博主兜售的课程轻松日入五万，就连仿冒网站也如雨后春笋般冒出了 2650 个，惹得 DeepSeek 官方突发紧急声明。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/1-6.png)

人群中有焦虑者、有淘金者，还有更多怀揣期待的观望者，当打工人节后终于有时间静下心来体验这个 AI 神器时，得到的却是 DeepSeek R1 冰冷的回应：  
服务器繁忙，请稍后再试。

得益于 DeepSeek 的开源策略，在焦躁的等待中，本地部署 DeepSeek R1 的教程也迅速在全网刷屏，甚至成为新一轮收割韭菜的 AI 秘籍。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/1111111.jpg)

今天，不用 998 ，也不用 98 ，我们给家人们送上一份本地部署 DeepSeek R1 的教程。

DeepSeek’s AI Model Just Upended the White-Hot US Power Market – Bloomberg

不过，部署了，但没完全部署。

尽管许多卖课博主声称能轻松运行满血版 DeepSeek R1，但满血版 R1 模型参数高达 671B，仅模型文件就需要 404GB 存储空间，运行时更需要约 1300GB 显存。

对于没有卡的普通玩家来说，运行的条件苛刻，且门槛极高。基于此，我们不妨将目光转向 DeepSeek R1 四款分别对应 Qwen 和 Llama 的蒸馏小模型：

- DeepSeek-R1-Distill-Llama-8B
- DeepSeek-R1-Distill-Qwen-14B
- DeepSeek-R1-Distill-Qwen-32B
- DeepSeek-R1-Distill-Llama-70B

海外博主已经整理出相关配置供大家参考，注意，只要 GPU 等于或超过 VRAM 要求，模型仍然可以在规格较低的 GPU 上运行。但是设置不是最佳的，并且可能需要进行一些调整。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/2-6.png)

🔗 https://dev.to/askyt/deepseek-r1-671b-complete-hardware-requirements-optimal-deployment-setup-2e48

### 本地部署 R1 小模型，两种方法，一学就会

我们这次手上体验的设备正是 M1 Ultra 128GB 内存的 Mac Studio。关于主流本地部署 DeepSeek 的教程，两种方法，一学就会。

LM Studio

首先登场的是小白极简版本，在官网(lmstudio.ai)根据个人电脑型号下载 LM Studio，接着为了方便使用，建议点击右下角修改语言为简体中文。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/11.jpg) ![](https://s3.ifanr.com/wp-content/uploads/2025/02/12.jpg) ![](https://s3.ifanr.com/wp-content/uploads/2025/02/13.jpg)

然后搜索 deepseek-r1 选择合适的版本下载，作为示例，我选择使用阿里 Qwen 模型为基座蒸馏出来的 7B 小模型。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/14-1.jpg) ![](https://s3.ifanr.com/wp-content/uploads/2025/02/15.jpg) ![](https://s3.ifanr.com/wp-content/uploads/2025/02/16.jpg)

配置完成后，即可一键启动。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/17.jpg)

使用 LM Studio 的好处就是不用代码、界面友好，但跑大型模型的时候对性能要求高，因此更适合新手入门使用基础功能。

Ollama

当然，对于追求更深层次体验的用户，我们也准备了进阶方案。

首先从官网(ollama.com)获取并安装 Ollama。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/1111.jpg)

启动后打开命令行工具。Mac 用户键盘 Command+空格 打开「终端」工具，Windows 用户键盘运行 Win+R ，输入 cmd 打开「命令提示符」工具。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/1112.jpg)

在窗口中输入代码指令（ollama run deepseek-r1:7b）即可开始下载。请注意英文状态输入，检查空格和横杠，冒号后输入所需要的版本名称。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/1113.jpg)

配置完成后就能在命令行窗口开始对话。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/1114.jpg)

这个方法对性能要求很低，但需要熟悉命令行操作，模型的兼容性也有限，更适合进阶开发者实现高级操作。

如果你想要比较好看的交互界面，不妨在 Chrome 浏览器安装插件，搜索安装 PageAssist。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/114.jpg)

选择本地已安装的模型，开始使用。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/111.jpg)

右上角设置里修改好语言，主页选择模型就可以开始对话，而且支持基础的联网搜索，玩法也更多样。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/113.jpg)

### 能跑是能跑，但…

我们这次体验则用到了 LM Studio。

凭借其出色的优化能力，LM Studio 使得模型能够在消费级硬件上高效运行。比如 LM Studio 支持 GPU 卸载技术，可以将模型分块加载到 GPU 中，从而在显存有限的情况下实现加速。

如同调教赛车，每个参数都会影响最终的表现，在体验之前，建议在 LM Studio 的设置中，根据需求调整推理参数的能力，以优化模型的生成质量和计算资源分配。

- 温度 (Temperature)：控制生成文本的随机性。
- 上下文溢出处理 (Context Overflow Handling)：决定如何处理超长输入。
- CPU 线程：影响生成速度和资源占用。
- 采样策略：通过多种采样方法和惩罚机制，确保生成文本的合理性和多样性。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/3-6.png)

DeepSeek 研究员 Daya Guo 在 X 平台分享了他们内部的调教指南，最大生成长度锁定在 32768 个 token，温度值维持在 0.6，top-p 值定格在 0.95。每个测试都生成 64 个响应样本。

详细的配置建议如下：

> 1\. 将温度设置在 0.5-0.7 之间（建议设置为 0.6），以防止模型输出无尽的重复或不连贯的内容。  
> 2\. 避免添加 system prompt，所有指令应包含在用户提示中。  
> 3\. 对于数学问题，建议在提示中包含指令，例如：「请逐步推理，并将最终答案放在 \\boxed{} 中。」  
> 4\. 在评估模型性能时，建议进行多次测试，并取结果的平均值。  
> 5\. 此外，我们注意到 DeepSeek-R1 系列模型在响应某些查询时，可能会绕过思维模式（即输出 「\\n\\n」），这可能会影响模型的性能。为了确保模型进行充分的推理，我们建议在每次输出的开始，强制模型以 「\\n」 开始其响应。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/4-5.png)

▲DeepSeek 官方给出的蒸馏版模型的评测对比



更大的参数量并不一定能带来更好的效果，在我们体验的这几款小模型中，相临参数量模型的实力差距整体倒也没有那么等级森严。我们也做了一些简单的测试。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/5-1-1.png)

![](https://s3.ifanr.com/wp-content/uploads/2025/02/5-2-1.png)

「deekseeeek 里有多少个 e?」

8B 模型的响应速度很快，基本能跑到 60 token/s，但答得快不意味着答得对，差之毫厘，谬以千里。思考过程显示，模型更像是基于知识库里的「DeepSeek」单词作出回答。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/6-1-1.png)

![](https://s3.ifanr.com/wp-content/uploads/2025/02/6-2-1.png)

14B 模型也没答对。直到 32B 模型的出场，才终于看到了靠谱的答案。70B 模型展示出更缜密的推理过程，但同样回答错误。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/7-1-1.png)

[「请帮我写一版京剧的《哈利波特与魔法石》」](https://mp.weixin.qq.com/s/IBaSHBhSREuiM2cwmrfK1A?token=1372367503&lang=zh_CN)



就该问题的回答质量来说，32B 和 70B 各有千秋，32B 在剧本场景的细节把控更完美，而 70B 则交出了一份角色饱满、剧情完整的答卷。

[「在一天的 24 小时之中，时钟的时针、分针和秒针完全重合在一起的时候有几次？都分别是什么时间？你怎样算出来的？」](https://mp.weixin.qq.com/s/IBaSHBhSREuiM2cwmrfK1A?token=1372367503&lang=zh_CN)

![](https://s3.ifanr.com/wp-content/uploads/2025/02/11-4.png)

「某人在北半球某地乘飞机依次向正东、正北、正西、正南各飞行 2000 千米。最后，他能回到原地吗？」

![](https://s3.ifanr.com/wp-content/uploads/2025/02/8-1.gif)

▲ DeepSeek-R1-Distill-Qwen-32B



![](https://s3.ifanr.com/wp-content/uploads/2025/02/8-2.gif)

▲DeepSeek-R1-Distill-Llama-70B



当然，这几款模型中，参数越小的模型的回答准确率往往越低，即便思考过程摸着门道了，但后续也因不坚定而出错，遇上数学计算领域，不同量级模型的实力差距则会比较明显。

本地部署有三大优势，敏感数据无需上传云端；断网也能流畅使用；以及免除 API 调用费用，长文本任务更省钱，尤其适合企业、开发者及对隐私敏感的用户。

但不支持联网也有其弊端，如果你不喂给它「资料」，不及时更新知识库，那它的信息认知水平也会停滞不前。比方说知识库截止到 2024 年，那它就没法回答你最新的 AI 新闻。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/9-3.png)

本地部署最常用的功能当属打造自己的知识库，方法则是在安装 LM Studio 之后，增加与 Anything LLM 联动的部署步骤。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/11-3.png)

考虑到效果和适用性，我们使用了 32B 模型作为联动模型，结果显示效果也很一般，其中最大的挑战来自上下文窗口的限制。

依次输入只有 4000 字的文章和 1000 字左右的文章，前者回答依旧很迷糊，后者则能胜任，但处理 1000 字左右的文章稍显鸡肋，所以当个玩具还行，生产力还差点意思。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/13-4.png)

另外需要特别强调的是，一方面，撬开这四款模型的嘴难度极高，另一方面，我们也不建议大家去尝试「越狱」。网上虽然流传着许多所谓容易「越狱」的新版本模型，但出于安全和伦理考虑，我们并不建议随意部署。

不过，既然到这一步了，不妨再本着一窍通百窍通的原则，尝试下载和部署一些经过正规渠道发布的小模型。

那除了本地部署 R1 蒸馏小模型，满血版 R1 有没有穷鬼套餐呢？

Hugging Face 的工程师马修·卡里根前不久在 X 平台展示了运行完整 DeepSeek-R1 模型，Q8 量化，无蒸馏的硬件 + 软件设置，成本大约为 6000 美元。

附上完整配置链接：  
https://x.com/carrigmat/status/1884244369907278106

![](https://s3.ifanr.com/wp-content/uploads/2025/02/11111.jpg)

言归正传，所以我们真的需要本地部署一个蒸馏版的 DeepSeek R1 吗？

我的建议是不要将这几款 R1 蒸馏小模型想象成特斯拉，它充其量更像是五菱宏光，能跑是能跑，但要么性能表现相去甚远，要么缺胳膊少腿。

在本地部署最常用的自定义知识库能力的体验中，效果就不尽如人意。面对具体问题时，它无法准确「按图索骥」，或者干脆胡编乱造，准确率堪忧。

对绝大多数用户来说，老老实实用官方版或者使用第三方平台才是目前最优解，它不需要投入昂贵的硬件成本，也不用担心性能受限。

甚至折腾了半天，你会发现与其投入大量时间、精力和金钱去折腾本地部署这些小模型，不如下班后吃顿好的。

而对于企业用户、开发者或对数据隐私有特殊需求的用户，本地部署依然是一个值得考虑的选择，但前提是你清楚自己为什么需要它，以及它存在的各种局限性。

### 附上小白 QA 问答：

- ‍问: 我能在普通的电脑上部署 DeepSeek 吗？  
    答: DeepSeek 的完整版对电脑要求较高，但是，如果你只是想用它进行简单的操作，可以选择一些蒸馏小模型，不过仍需量力而行。
- 问：什么是 DeepSeek R1 的蒸馏版模型？  
    答: 蒸馏版模型是「简化」版本，硬件要求更低，运行起来速度也更快。
- 问: 我能在没有网络的情况下使用 DeepSeek 吗？  
    答: 如果你选择本地部署 DeepSeek，那么在没有互联网的情况下也能使用它。如果你通过云端或第三方平台使用，就需要网络连接才能访问。
- 问: 使用 DeepSeek 时，我的个人数据是否安全？  
    答: 如果你选择本地部署 DeepSeek，那么你的数据不会上传到云端，更加安全。如果使用在线版本，确保选择可信的服务平台，保护个人隐私。

作者：莫崇宇、Lin