deepseek 本地部署 r1 模型教程：先把镜像装好、跑通再去调参…

（根据DeepSeek官方文档、技术社区讨论及开源项目实践整理）

DeepSeek本地部署R1模型教程：先把镜像装好、跑通再去调参……

想在自己电脑上跑DeepSeek最新那个R1模型是吧？想法很好，但别一上来就想着怎么调参让它更聪明，那都是后话，第一步，也是最关键的一步，是先把环境搭起来，能让模型正常跟你对话，就算成功了一大半，这就跟学开车一样，得先能把车发动起来、开上路，再研究怎么漂移，下面我就用大白话，一步一步告诉你怎么把这个“车”发动起来。

第一步：认清现实——你的电脑够格吗？

（来源：DeepSeek官方模型卡及Ollama、vLLM等推理框架的系统要求）

别冲动,先看看你的硬件，R1模型有好几个尺寸，比如67B参数的版本，这种大模型对显存要求很高，简单粗暴地说，你想流畅跑起来，怎么也得有个显存大的显卡，根据大家折腾的经验，你想跑67B的版本，至少需要一张显存超过40GB的显卡，比如RTX 4090（24G）一张可能都勉强，可能需要两张，如果你的显卡只有8G或11G显存，那可能只能试试看更小的版本，或者用那种“量化”后的版本（量化就是给模型瘦身，会损失一点点精度，但能跑起来）。

除了显卡,内存也要大，32GB是起码的，建议64GB或更多，硬盘空间也得留足，光模型文件本身可能就好几十个G，先对着你的电脑配置掂量一下，如果硬件不达标，后面的一切都是空谈，硬件是基础，没办法绕过去。

第二步：选个好用的“工具箱”——部署工具的选择

（来源：Hugging Face Transformers文档、Ollama官方文档、vLLM官方文档）

现在假设你硬件达标了,接下来怎么把模型运行起来呢？你有几个主流的“工具箱”可以选：

1. Ollama（推荐新手首选）：这可以理解为“一键安装包”，它把很多复杂的东西都给你打包好了，用起来特别简单，你去Ollama官网下载安装好软件，然后在命令行（比如Mac的终端Terminal或者Windows的PowerShell）里输入一句像 ollama pull deepseek-r1:67b 这样的命令，它就会自动帮你把模型下载下来并配置好环境，之后用 ollama run deepseek-r1:67b 就能直接开始对话了，优点是省心，几乎不用你管依赖库、环境变量那些破事，特别适合快速上手“跑通”这个目标。

2. Hugging Face Transformers + 其他库：这是更“硬核”一点的方式，灵活性更高，但步骤也麻烦些，你需要先安装Python，然后用pip安装transformers库（这是Hugging Face的核心库），还要根据你的显卡安装对应的PyTorch或TensorFlow，因为R1模型可能用了些新的技术，你往往还需要额外安装像FlashAttention这样的库来加速，整个过程就是不停地装各种依赖，对于不常搞开发的人来说，很容易掉进“环境配置”的坑里，折腾半天。

3. vLLM：这是一个专门为大规模语言模型推理设计的高性能工具，速度很快，但它的配置相对复杂，更偏向于生产环境或者对速度有极致要求的场景，对于第一步“跑通”可能有点杀鸡用牛刀，而且设置起来比Ollama复杂。

强烈建议，就为了先装好镜像、跑通流程，直接选用Ollama，它最能满足我们“先把车发动起来”的目标。

第三步：动手操作——以Ollama为例

（来源：Ollama官方Get Started指南及社区分享）

1. 下载安装Ollama：去官网（ollama.ai）根据你的操作系统（Windows、macOS、Linux）下载对应的安装包，像装普通软件一样安装好。

2. 拉取模型：打开命令行终端，输入以下命令（以67B模型为例）：

   ollama pull deepseek-r1:67b

   然后回车,这时候你会看到一个下载进度条，由于模型文件非常大（几十GB），这将是一个非常漫长的过程，取决于你的网速，去泡杯茶，看部电影，慢慢等，这是最耗时的一步，但也是必不可少的一步，如果下载中断了，重新运行这个命令它会继续下载。

3. 运行模型：下载完成后，输入：

   

   ollama run deepseek-r1:67b

   回车,如果一切顺利，你会看到终端里出现一个提示符，>>>，这说明模型已经加载成功，在等你的指令了！

4. 第一次对话：试着输入一个问题，你好，请介绍一下你自己”，然后回车，你会看到模型开始一个字一个字地“思考”并输出回答，恭喜你！至此，你已经成功在本地部署并运行了DeepSeek R1模型！最基础的“跑通”目标已经达成。

第四步：终于可以聊聊“调参”了

（来源：Ollama Modelfile文档及Transformer Generation配置参数）

当你完成了上面三步,模型已经能跟你对话了，这时候我们再来简单说说“调参”，在Ollama里，你不需要写代码调参，而是在运行的时候加一些参数。

• --temperature：这个叫“温度”，控制模型输出的随机性，值越低（比如0.1），回答越确定、保守、重复；值越高（比如0.8），回答越随机、有创意、也可能胡言乱语，一般设在0.7左右。
• --seed：设置一个随机数种子，比如你设置 --seed 123，那么每次你用同样的输入和这个种子，模型的输出会一模一样，这用来复现结果很好用。

你可以这样运行带参数的命令：

ollama run deepseek-r1:67b --temperature 0.8 --seed 42

你看,只有当你已经把模型成功跑起来之后，调整这些参数才有意义，否则你参数调得再花哨，模型都启动不了，全是白搭。

总结一下核心思想：

别想一口吃成胖子,本地部署这种大模型，最大的门槛往往就是环境配置，选用最傻瓜化的工具（比如Ollama），唯一的目标就是看到模型能输出文字，这个过程可能会遇到网络问题、权限问题，耐心点，查查资料都能解决，一旦你完成了这个从0到1的突破，后面无论是用更高级的工具，还是深入研究参数调整、做二次开发，都有了坚实的起点，今天的目标就是：把镜像装好，把模型跑通！