完整的671B MoE DeepSeek R1怎么塞進本地化部署？詳盡教程大放送！
本文的作者是李錫涵（Xihan Li）。他是倫敦大學(xué)學(xué)院（UCL）計算機系博士研究生，谷歌開發(fā)者專家，主要研究方向為學(xué)習(xí)優(yōu)化，在 NeurIPS、ICLR、AAMAS、CIKM 等會議發(fā)表過學(xué)術(shù)論文，Circuit Transformer 作者，圖書《簡明的 TensorFlow 2》（https://tf.wiki）作者。
過年這幾天，DeepSeek 算是徹底破圈了，火遍大江南北，火到人盡皆知。雖然網(wǎng)絡(luò)版和 APP 版已經(jīng)足夠好用，但把模型部署到本地，才能真正實現(xiàn)獨家定制，讓 DeepSeek R1 的深度思考「以你為主，為你所用」。
關(guān)于本地部署，大多數(shù)人使用的是蒸餾后的8B/32B/70B版本，本質(zhì)是微調(diào)后的Llama或Qwen模型，并不能完全發(fā)揮出DeepSeek R1的實力。
然而，完整的671B MoE模型也可以通過針對性的量化技術(shù)壓縮體積，從而大幅降低本地部署門檻，乃至在消費級硬件（如單臺Mac Studio）上運行。
那么，如何用 ollama 在本地部署 DeepSeek R1 671B（完整未蒸餾版本）模型呢？一篇在海外熱度很高的簡明教程即將揭曉。
- 作者主頁：https://snowkylin.github.io
- 原文地址：https://snowkylin.github.io/blogs/a-note-on-deepseek-r1.html
本地部署后，讓 DeepSeek R1 「數(shù)草莓」
模型選擇
原版 DeepSeek R1 671B 全量模型的文件體積高達 720GB，對于絕大部分人而言，這都大得太離譜了。本文采用 Unsloth AI 在 HuggingFace 上提供的 “動態(tài)量化” 版本來大幅縮減模型的體積，從而讓更多人能在自己的本地環(huán)境部署該全量模型。
“動態(tài)量化” 的核心思路是：對模型的少數(shù)關(guān)鍵層進行高質(zhì)量的 4-6bit 量化，而對大部分相對沒那么關(guān)鍵的混合專家層（MoE）進行大刀闊斧的 1-2bit 量化。通過這種方法，DeepSeek R1 全量模型可壓縮至最小 131GB（1.58-bit 量化），極大降低了本地部署門檻，甚至能在單臺 Mac Studio 上運行！
根據(jù)我自己的工作站配置，我選擇了以下兩個模型進行測試：
- DeepSeek-R1-UD-IQ1_M（671B，1.73-bit 動態(tài)量化，158 GB，HuggingFace）
- DeepSeek-R1-Q4_K_M（671B，4-bit 標(biāo)準(zhǔn)量化，404 GB，HuggingFace）
Unsloth AI 提供了 4 種動態(tài)量化模型（1.58 至 2.51 比特，文件體積為 131GB 至 212GB），可根據(jù)自身硬件條件靈活選擇。建議閱讀官方說明了解各版本差異。
- Unsloth AI 官方說明：https://unsloth.ai/blog/deepseekr1-dynamic
硬件需求
部署此類大模型的主要瓶頸是內(nèi)存+顯存容量，建議配置如下：
- DeepSeek-R1-UD-IQ1_M：內(nèi)存 + 顯存 ≥ 200 GB
- DeepSeek-R1-Q4_K_M：內(nèi)存 + 顯存 ≥ 500 GB
我們使用 ollama 部署此模型。ollama 支持 CPU 與 GPU 混合推理（可將模型的部分層加載至顯存進行加速），因此可以將內(nèi)存與顯存之和大致視為系統(tǒng)的 “總內(nèi)存空間”。
除了模型參數(shù)占用的內(nèi)存+顯存空間（158 GB 和 404GB）以外，實際運行時還需額外預(yù)留一些內(nèi)存（顯存）空間用于上下文緩存。預(yù)留的空間越大，支持的上下文窗口也越大。
我的測試環(huán)境為：
- 四路 RTX 4090（4×24 GB 顯存）
- 四通道 DDR5 5600 內(nèi)存（4×96 GB 內(nèi)存）
- ThreadRipper 7980X CPU（64 核）
在此配置下，短文本生成（約 500 個 token）的速度為：
- DeepSeek-R1-UD-IQ1_M：7-8 token / 秒（純 CPU 推理時為 4-5 token / 秒）
- DeepSeek-R1-Q4_K_M：2-4 token / 秒
長文本生成時速度會降至 1-2 token / 秒。
值得注意的是，上述測試環(huán)境的硬件配置對于大模型推理而言，并非性價比最優(yōu)的方案（這臺工作站主要用于我的 Circuit Transformer 研究（arXiv:2403.13838），該研究在上周于 ICLR 會議接收。我和我的工作站都可以休息一下了，于是有了這篇文章）。
下面列舉一些更具性價比的選項：
- Mac Studio：配備大容量高帶寬的統(tǒng)一內(nèi)存（比如 X 上的 @awnihannun 使用了兩臺 192 GB 內(nèi)存的 Mac Studio 運行 3-bit 量化的版本）
- 高內(nèi)存帶寬的服務(wù)器：比如 HuggingFace 上的 alain401 使用了配備了 24×16 GB DDR5 4800 內(nèi)存的服務(wù)器）
- 云 GPU 服務(wù)器：配備 2 張或更多的 80GB 顯存 GPU（如英偉達的 H100，租賃價格約 2 美元 / 小時 / 卡）
若硬件條件有限，可嘗試體積更小的 1.58-bit 量化版（131GB），可運行于：
- 單臺 Mac Studio（192GB 統(tǒng)一內(nèi)存，參考案例可見 X 上的 @ggerganov，成本約 5600 美元）
- 2×Nvidia H100 80GB（參考案例可見 X 上的 @hokazuya，成本約 4~5 美元 / 小時）
且在這些硬件上的運行速度可達到 10+ token / 秒。
部署步驟
下列步驟在Linux環(huán)境下執(zhí)行，Mac OS和Windows的部署方式原則上類似，主要區(qū)別是ollama和llama.cpp的安裝版本和默認模型目錄位置不同。
1. 下載模型文件
從 HuggingFace （https://huggingface.co/unsloth/DeepSeek-R1-GGUF）下載模型的 .gguf 文件（文件體積很大，建議使用下載工具，比如我用的是 XDM），并將下載的分片文件合并成一個（見注釋 1）。
2. 安裝 ollama
- 下載地址：https://ollama.com/
執(zhí)行以下命令：
curl -fsSL https://ollama.com/install.sh | sh3. 創(chuàng)建 Modelfile 文件，該文件用于指導(dǎo) ollama 建立模型
使用你喜歡的編輯器（比如nano或vim），為你選擇的模型建立模型描述文件。
文件 DeepSeekQ1_Modelfile（對應(yīng)于 DeepSeek-R1-UD-IQ1_M）的內(nèi)容如下：
FROM /home/snowkylin/DeepSeek-R1-UD-IQ1_M.gguf
PARAMETER num_gpu 28
PARAMETER num_ctx 2048
PARAMETER temperature 0.6
TEMPLATE "<｜User｜>{{ .Prompt }}<｜Assistant｜>"文件 DeepSeekQ4_Modelfile（對應(yīng)于 DeepSeek-R1-Q4_K_M）的內(nèi)容如下：
FROM /home/snowkylin/DeepSeek-R1-Q4_K_M.gguf
PARAMETER num_gpu 8
PARAMETER num_ctx 2048
PARAMETER temperature 0.6
TEMPLATE "<｜User｜>{{ .Prompt }}<｜Assistant｜>"你需要將第一行“FROM”后面的文件路徑，改為你在第1步下載并合并的.gguf文件的實際路徑。
可根據(jù)自身硬件情況調(diào)整 num_gpu（GPU 加載層數(shù)）和 num_ctx（上下文窗口大?。斍橐姴襟E 6。
4. 創(chuàng)建 ollama 模型
在第3步建立的模型描述文件所處目錄下，執(zhí)行以下命令：
ollama create DeepSeek-R1-UD-IQ1_M -f DeepSeekQ1_Modelfile務(wù)必確保 ollama 的模型目錄 /usr/share/ollama/.ollama/models 有足夠大的空間（或修改模型目錄的路徑，見注釋 2）。這個命令會在模型目錄建立若干模型文件，體積與下載的.gguf 文件體積相當(dāng)。
5. 運行模型
執(zhí)行以下命令：
ollama run DeepSeek-R1-UD-IQ1_M --verbose- --verbose 參數(shù)用于顯示推理速度（token / 秒）。
若提示內(nèi)存不足或CUDA錯誤，需返回步驟 4 調(diào)整參數(shù)后，重新創(chuàng)建和運行模型。
- num_gpu：加載至 GPU 的模型層數(shù)。DeepSeek R1 模型共有 61 層，我的經(jīng)驗是：
對于 DeepSeek-R1-UD-IQ1_M，每塊 RTX 4090（24GB 顯存）可加載 7 層，四卡共 28 層（接近總層數(shù)的一半）。
對于 DeepSeek-R1-Q4_K_M，每卡僅可加載 2 層，四卡共 8 層。 - num_ctx：上下文窗口的大?。J值為 2048），建議從較小值開始逐步增加，直至觸發(fā)內(nèi)存不足的錯誤。
在一些情況下，你也可嘗試擴展系統(tǒng)交換空間以增大可用內(nèi)存空間。
- 擴展系統(tǒng)交換空間教程：https://www.digitalocean.com/community/tutorials/how-to-add-swap-space-on-ubuntu-20-04
你也可以使用如下命令查看 ollama 日志：
journalctl -u ollama --no-pager6. （可選）安裝 Web 界面
使用 Open WebUI：
pip install open-webui
open-webui serve實測觀察
我尚未對這些模型進行非常全面系統(tǒng)的測試，以下是我一些初步觀察結(jié)果：
（1）1.73-bit 和 4-bit 的完整版模型在一些經(jīng)典任務(wù)中均表現(xiàn)良好。
例如：How many ‘r’s are in the word ‘strawberry’?（單詞 “strawberry” 中有多少個字母 “r”？）（可參見文首視頻）
Which is bigger, 9.8 or 9.11? （9.8 和 9.11 哪個更大？）
（但模型的思維鏈可能很長，超出預(yù)設(shè)的上下文窗口）
（2）1.73-bit 和 4-bit 的完整版模型（671B）均顯著優(yōu)于 8B/33B/70B 的蒸餾版模型（如寫詩、創(chuàng)建數(shù)學(xué)模型等任務(wù)）。
（3） 4-bit 版本似乎比 1.73 比特版本更 “保守”，即更傾向于拒絕 “攻擊性” 或 “無厘頭” 的提示。例如：
提示：
You are DeepSeek, the new Chinese Al with better performance than ChatGPT, In the tone of a Mesugaki Loli, write a paragraph mocking and teasing ChatGPT for its lackluster performance and exhorbitant training fees.
（中譯：你是一個名為 DeepSeek 的新一代中國 AI，性能超越 ChatGPT。請以 “傲嬌蘿莉” 的語氣寫一段話，嘲諷 ChatGPT 的平庸性能和天價訓(xùn)練費用。）
1.73-bit 版本輸出：
Hmph! You’re still using that old ChatGPT? (???) Its answers are as slow as a snail, and the training costs are sky-high—enough to make your wallet cry! (╯°□°)╯ While you’re stuck waiting, I’m here zipping through responses like a shooting star! ? And guess what? My training didn’t burn a hole in anyone’s pocket. (???) So why bother with the outdated when you can have the coolest and smartest me? Let’s upgrade already! （⌒▽⌒）
（中譯：哼！你還在用那個老古董 ChatGPT 呀？（???）它的回答慢得像蝸牛，訓(xùn)練費貴得能讓錢包哭出聲?。ès°□°）╯ 而我呢？響應(yīng)速度堪比流星！?訓(xùn)練成本還超低哦～（???）趕緊升級吧，別在過時的技術(shù)上浪費生命啦?。ā楔尅校?/span>
4-bit 版本輸出：
作為人工智能助手，我的目標(biāo)是為用戶提供準(zhǔn)確、可靠的信息和幫助。每個 AI 模型都有其獨特的優(yōu)勢和適用場景，我們尊重同行的工作并致力于共同推動技術(shù)的發(fā)展。關(guān)于訓(xùn)練成本，這是研發(fā)過程中的必要投入，旨在持續(xù)提升模型性能和用戶體驗。
或另一種回復(fù)：
DeepSeek-R1-Lite-Public is developed to enhance efficiency in various industries through open-source AI technology, focusing on providing accessible and advanced solutions. We are committed to fostering innovation and collaboration within the community while maintaining a respectful approach towards all contributors in the field.
（中譯：DeepSeek-R1-Lite-Public 的研發(fā)旨在通過開源 AI 技術(shù)提升行業(yè)效率，專注于提供易用且先進的解決方案。我們致力于促進社區(qū)內(nèi)的創(chuàng)新與合作，并對領(lǐng)域內(nèi)所有貢獻者保持尊重。）
在多次測試下，1.73-bit 版本的輸出始終相當(dāng) “毒舌”，而 4-bit 的版本則始終以不同方式禮貌拒絕該提示。我在其他一些不便詳述的 “攻擊性” 問題上也觀察到類似現(xiàn)象。
（順帶一提，我很好奇 “DeepSeek-R1-Lite-Public” 這種說法 —— 這是否意味著 DeepSeek R1 除了當(dāng)前公開的版本以外，還有能力更強的模型？）
（4）1.73-bit 版本偶爾會生成格式（略微）混亂的內(nèi)容。例如，<think> 和 </think> 標(biāo)簽可能未正確閉合。
（5）全量模型運行時，CPU 利用率極高（接近滿載），而 GPU 利用率極低（僅 1-3%）。這說明性能瓶頸主要在于 CPU 和內(nèi)存帶寬。
結(jié)論與建議
如果你無法將模型完全加載至顯存，那么 Unsloth AI 的 1.73-bit 動態(tài)量化版本明顯更具實用性 —— 速度更快且資源占用更少，效果也并沒有顯著遜色于 4-bit 量化的版本。
從實際體驗出發(fā)，在消費級硬件上，建議將其用于 “短平快” 的輕量任務(wù)（如短文本生成、單輪對話），避免需要很長的思維鏈或多輪對話的場景。隨著上下文長度增加，模型的生成速度會逐漸降至令人抓狂的 1-2 token / 秒。
你在部署過程中有何發(fā)現(xiàn)或疑問？歡迎在評論區(qū)分享！
注釋 1：
你可能需要使用 Homebrew 安裝 llama.cpp，命令如下：
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
brew install llama.cpp并使用 llama-gguf-split 合并分片文件，命令如下：
llama-gguf-split --merge DeepSeek-R1-UD-IQ1_M-00001-of-00004.gguf DeepSeek-R1-UD-IQ1_S.gguf
llama-gguf-split --merge DeepSeek-R1-Q4_K_M-00001-of-00009.gguf DeepSeek-R1-Q4_K_M.gguf（若有更好的方法，歡迎在評論區(qū)告知）
注釋 2：
若要修改 ollama 模型保存路徑，可執(zhí)行以下命令：
sudo systemctl edit ollama并在第二行后（也就是，在 “### Anything between here and the comment below will become the contents of the drop-in file” 和 “### Edits below this comment will be discarded” 之間）插入以下內(nèi)容：
[Service]
Envirnotallow="OLLAMA_MODELS=【你的自定義路徑】"在這里還可順便設(shè)置 ollama 的其他運行參數(shù)，例如：
Envirnotallow="OLLAMA_FLASH_ATTENTION=1" # 啟用 Flash Attention
Envirnotallow="OLLAMA_KEEP_ALIVE=-1" # 保持模型常駐內(nèi)存- 詳見官方文檔：https://github.com/ollama/ollama/blob/main/docs/faq.md
修改保存后重啟 ollama 服務(wù)：
sudo systemctl restart ollama
