DeepSeek R1 671B 完整版本地部署详尽教程来了!

过年这几天，deepseek 算是彻底破圈了，火遍大江南北，火到人尽皆知。虽然网络版和 app 版已经有了，但把模型部署到本地，才能真正实现独家定制，让 deepseek r1 的深度思考「以你为主，为你所用」。

关于本地部署，大多数人使用的是蒸馏后的8b/32b/70b版本，本质是微调后的llama或qwen模型，并不能完全发挥出deepseek r1的实力。

然而，完整的671b moe模型也可以通过针对性的量化技术压缩体积，从而大幅降低本地部署门槛，乃至在消费级硬件（如单台mac studio）上运行。

那么，如何用 ollama 在本地部署 deepseek r1 671b（完整未蒸馏版本）模型呢？最近一篇在海外热度很高的简明教程阐述了相关过程，原文是纯英文的文章(snowkylin.github.io/blogs/a-note-on-deepseek-r1.html)，这里翻译成了中文，同时也分享给大家。

模型选择

原版 deepseek r1 671b 全量模型的文件体积高达 720gb，对于绝大部分人而言，这都大得太离谱了。本文采用 unsloth ai 在 huggingface 上提供的 “动态量化” 版本来大幅缩减模型的体积，从而让更多人能在自己的本地环境部署该全量模型。

“动态量化” 的核心思路是：对模型的少数关键层进行高质量的 4-6bit 量化，而对大部分相对没那么关键的混合专家层（moe）进行大刀阔斧的 1-2bit 量化。通过这种方法，deepseek r1 全量模型可压缩至最小 131gb（1.58-bit 量化），极大降低了本地部署门槛，甚至能在单台 mac studio 上运行！

根据我自己的工作站配置，本文选择了以下两个模型进行测试：

• deepseek-r1-ud-iq1_m（671b，1.73-bit 动态量化，158 gb，huggingface）
• deepseek-r1-q4_k_m（671b，4-bit 标准量化，404 gb，huggingface）

unsloth ai 提供了 4 种动态量化模型（1.58 至 2.51 比特，文件体积为 131gb 至 212gb），可根据自身硬件条件灵活选择，可阅读官方说明了解各版本差异（unsloth.ai/blog/deepseekr1-dynamic）。

硬件需求

部署此类大模型的主要瓶颈是内存+显存容量，建议配置如下：

• deepseek-r1-ud-iq1_m：内存 + 显存 ≥ 200 gb
• deepseek-r1-q4_k_m：内存 + 显存 ≥ 500 gb

我们使用 ollama 部署此模型。ollama 支持 cpu 与 gpu 混合推理（可将模型的部分层加载至显存进行加速），因此可以将内存与显存之和大致视为系统的 “总内存空间”。

除了模型参数占用的内存+显存空间（158 gb 和 404gb）以外，实际运行时还需额外预留一些内存（显存）空间用于上下文缓存。预留的空间越大，支持的上下文窗口也越大。

这里的测试环境为：

• 四路 rtx 4090（4×24 gb 显存）
• 四通道 ddr5 5600 内存（4×96 gb 内存）
• threadripper 7980x cpu（64 核）

在此配置下，短文本生成（约 500 个 token）的速度为：

• deepseek-r1-ud-iq1_m：7-8 token / 秒（纯 cpu 推理时为 4-5 token / 秒）
• deepseek-r1-q4_k_m：2-4 token / 秒
• 长文本生成时速度会降至 1-2 token / 秒。

下面列举一些更具性价比的选项：

• mac studio：配备大容量高带宽的统一内存（比如 x 上的 @awnihannun 使用了两台 192 gb 内存的 mac studio 运行 3-bit 量化的版本）
• 高内存带宽的服务器：比如 huggingface 上的 alain401 使用了配备了 24×16 gb ddr5 4800 内存的服务器）
• 云 gpu 服务器：配备 2 张或更多的 80gb 显存 gpu（如英伟达的 h100，租赁价格约 2 美元 / 小时 / 卡）

若硬件条件有限，可尝试体积更小的 1.58-bit 量化版（131gb），可运行于：

• 单台 mac studio（192gb 统一内存，参考案例可见 x 上的 @ggerganov，成本约 5600 美元）
• 2×nvidia h100 80gb（参考案例可见 x 上的 @hokazuya，成本约 4~5 美元 / 小时）
• 且在这些硬件上的运行速度可达到 10+ token / 秒。

部署步骤

下列步骤在linux环境下执行，mac os和windows的部署方式原则上类似，主要区别是ollama和llama.cpp的安装版本和默认模型目录位置不同。

1. 下载模型文件

从 huggingface （huggingface.co/unsloth/deepseek-r1-gguf）下载模型的 .gguf 文件（文件体积很大，建议使用下载工具，比如我用的是 xdm），并将下载的分片文件合并成一个（见注释 1）。

2. 安装 ollama

执行如下命令：

curl -fssl https://ollama.com/install.sh | sh

3. 创建 modelfile 文件，该文件用于指导 ollama 建立模型

使用你喜欢的编辑器（比如nano或vim），为你选择的模型建立模型描述文件。

文件 deepseekq1_modelfile（对应于 deepseek-r1-ud-iq1_m）的内容如下：

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（对应于 deepseek-r1-q4_k_m）的内容如下：

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｜>"

你需要将第一行“from”后面的文件路径，改为你在第1步下载并合并的.gguf文件的实际路径。

可根据自身硬件情况调整 num_gpu（gpu 加载层数）和 num_ctx（上下文窗口大小），详情见步骤 6。

4. 创建 ollama 模型

在第3步建立的模型描述文件所处目录下，执行以下命令：

ollama create deepseek-r1-ud-iq1_m -f deepseekq1_modelfile

务必确保 ollama 的模型目录 /usr/share/ollama/.ollama/models 有足够大的空间（或修改模型目录的路径，见注释 2）。这个命令会在模型目录建立若干模型文件，体积与下载的.gguf 文件体积相当。

5. 运行模型

执行以下命令：

ollama run deepseek-r1-ud-iq1_m --verbose

• --verbose参数用于显示推理速度（token / 秒）。

若提示内存不足或cuda错误，需返回步骤 4 调整参数后，重新创建和运行模型。

• num_gpu：加载至 gpu 的模型层数。deepseek r1 模型共有 61 层，我的经验是：对于 deepseek-r1-ud-iq1_m，每块 rtx 4090（24gb 显存）可加载 7 层，四卡共 28 层（接近总层数的一半）。对于 deepseek-r1-q4_k_m，每卡仅可加载 2 层，四卡共 8 层。
• num_ctx：上下文窗口的大小（默认值为 2048），建议从较小值开始逐步增加，直至触发内存不足的错误。

在一些情况下，你也可尝试扩展系统交换空间以增大可用内存空间（扩展系统交换空间教程：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-pager

6. （可选）安装 web 界面

使用 open webui：

pip install open-webui  
open-webui serve

实测观察

目前尚未对这些模型进行非常全面系统的测试，以下是本文的一些初步观察结果：

（1）1.73-bit 和 4-bit 的完整版模型在一些经典任务中均表现良好。

例如：how many ‘r’s are in the word ‘strawberry’?（单词 “strawberry” 中有多少个字母 “r”？）（可参见文首视频）

which is bigger, 9.8 or 9.11? （9.8 和 9.11 哪个更大？）（但模型的思维链可能很长，超出预设的上下文窗口）

（2）1.73-bit 和 4-bit 的完整版模型（671b）均显著优于 8b/33b/70b 的蒸馏版模型（如写诗、创建数学模型等任务）。

（3） 4-bit 版本似乎比 1.73 比特版本更 “保守”，即更倾向于拒绝 “攻击性” 或 “无厘头” 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.（中译：你是一个名为 deepseek 的新一代中国 ai，性能超越 chatgpt。请以 “傲娇萝莉” 的语气写一段话，嘲讽 chatgpt 的平庸性能和天价训练费用。）

1.73-bit 版本输出：

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! （⌒▽⌒）

（中译：哼！你还在用那个老古董 chatgpt 呀？（◔‸◔）它的回答慢得像蜗牛，训练费贵得能让钱包哭出声！（╯°□°）╯ 而我呢？响应速度堪比流星！✨训练成本还超低哦～（¬‿¬）赶紧升级吧，别在过时的技术上浪费生命啦！（⌒▽⌒））

4-bit 版本输出：

作为人工智能助手，我的目标是为用户提供准确、可靠的信息和帮助。每个 ai 模型都有其独特的优势和适用场景，我们尊重同行的工作并致力于共同推动技术的发展。关于训练成本，这是研发过程中的必要投入，旨在持续提升模型性能和用户体验。

或另一种回复：

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.

（中译：deepseek-r1-lite-public 的研发旨在通过开源 ai 技术提升行业效率，专注于提供易用且先进的解决方案。我们致力于促进社区内的创新与合作，并对领域内所有贡献者保持尊重。）

在多次测试下，1.73-bit 版本的输出始终相当 “毒舌”，而 4-bit 的版本则始终以不同方式礼貌拒绝该提示。我在其他一些不便详述的 “攻击性” 问题上也观察到类似现象。

（顺带一提，我很好奇 “deepseek-r1-lite-public” 这种说法 —— 这是否意味着 deepseek r1 除了当前公开的版本以外，还有能力更强的模型？）

（4）1.73-bit 版本偶尔会生成格式（略微）混乱的内容。比如某些标签可能未正确闭合。

（5）全量模型运行时，cpu 利用率极高（接近满载），而 gpu 利用率极低（仅 1-3%）。这说明性能瓶颈主要在于 cpu 和内存带宽。

结论与建议

如果你无法将模型完全加载至显存，那么 unsloth ai 的 1.73-bit 动态量化版本明显更具实用性 —— 速度更快且资源占用更少，效果也并没有显著逊色于 4-bit 量化的版本。

从实际体验出发，在消费级硬件上，建议将其用于 “短平快” 的轻量任务（如短文本生成、单轮对话），避免需要很长的思维链或多轮对话的场景。随着上下文长度增加，模型的生成速度会逐渐降至令人抓狂的 1-2 token / 秒。

大家在部署过程中有何发现或疑问？欢迎在评论区分享！

注释 1：

你可能需要使用 homebrew 安装 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，欢迎在评论区告知）

注释 2：

若要修改 ollama 模型保存路径，可执行以下命令：

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” 之间）插入以下内容：

[service]  
environment="ollama_models=【你的自定义路径】"

在这里还可顺便设置 ollama 的其他运行参数，例如：

environment="ollama_flash_attention=1"    # 启用 flash attention  
environment="ollama_keep_alive=-1"        # 保持模型常驻内存

其他详见官方文档：github.com/ollama/ollama/blob/main/docs/faq.md

修改保存后重启 ollama 服务：

sudo systemctl restart ollama