超简单！低配电脑，本地部署DeepSeek R1！开源免费 | 纯CPU | 新手友好

DeepSeek R1介绍

要说春节这几天，AI圈最火的，就属deepseek推出的R1模型了。

就在前几天，英伟达官网宣布：
DeepSeek R1模型，已作为英伟达 NIM微服务预览版，在它的开发者平台上线，双方开始了技术合作。

Meta的创始人，扎克伯格也表示，DeepSeek在基础设施优化方面，取得了”新颖的进展”。并指出这些创新，已经公开发表，Meta可以通过学习相关方法，从中受益。

那么deepseek R1模型，到底有哪些亮眼的地方，能够受到业界的广泛关注呢？
根据deepseek官网的介绍，deepseek R1模型，在后训练阶段，大规模使用了强化学习技术。在仅有极少标注数据的情况下，能够极大提升模型的推理能力。在数学、代码、自然语言推理等任务上，性能可以比肩 OpenAI o1 模型正式版。

而且最重要的是，它的训练成本非常低，整个训练过程。只使用了2048块，符合美国出口管制版本的，英伟达H800 GPU，训练时长55天，成本约557万美元。是同类模型成本的 1/20，推理成本更是只有 OpenAI 模型的 1/30。而且和OpenAI不同，deepseek的模型都是开源的。（虽然叫OpenAI但是一点都不Open）

deepseek R1模型，推出后不到一周，股票市场出现巨大波动。英伟达股票，在1月27日暴跌近17%，市值减少约5900亿美元。这主要是因为，投资者担心deepseek R1的出现，可能会引发AI模型的低成本浪潮。如果是这样，那以后训练大模型，就不再需要太多的高端GPU了，那这势必会影响，英伟达这些公司的发展。

DeepSeek R1本地部署

如果想要使用 deepseek R1模型，除了web对话和API，你还可以在本地，自己部署一个蒸馏版的模型。这样使用起来很方便，而且不受线上服务的影响。下面我们就来介绍，如何在本地部署deepseek R1模型。

本地部署

首先我们需要安装一个，模型管理工具，用来运行和管理本地部署的模型。这里我们选择使用 ollama，它是由Meta研发的，一个开源大模型管理工具。打开ollama的官网，然后点击下载，根据自己的系统下载对应的安装包。

下载完以后，安装 ollama 。点击next，然后安装命令行，这样我们就可以在命令行中，和AI进行对话了。然后点击完成，使用ollama run llama3.2这条命令，可以安装llama3.2模型。这里我们先不安装它，直接去安装deepseek R1模型。打开安装好的 ollama，然后在命令行输入 ollama list，可以查看已经安装的模型。可以看到，我们现在还没有安装模型。

接下来，我们来安装deepseek R1模型。在ollama 的官网，点击 models，可以看到，第一个就是deepseek R1模型。点击打开它，在这里可以根据参数量级，来选择模型，最低的是1.5b，最高671b。这里的1.5b到70b这6个模型，并不是满血的 deepseek R1模型。

而是deepseek R1的蒸馏模型，所谓蒸馏模型，简单来说就是。deepseek R1模型把知识，传授给一个小模型。那这个小模型就是， deepseek R1 的一个蒸馏模型。这样可以降低模型的复杂度和计算量，从而提高模型的运行效率。而1.5b、7b、8b这些参数量级，可以理解为，小模型从deepseek R1，学习到的知识量。参数越多，代表学习到的知识越多，推理能力也就越强。

比如这个7b的蒸馏模型，就是以千问模型为基底的，一个蒸馏模型。而我们要部署的，就是这些蒸馏版的模型。因为满血的 deepseek R1模型，大小有几百个G，需要超过336G的显存才能运行起来。普通的家用电脑，纯CPU的话是，完全跑不动的，但是我们可以根据，自己的机器配置。选择合适的蒸馏模型来部署，我这里使用的设备，是一台老的MacBook Pro。

CPU配置为4核2G，内存为16G，我这里选择使用这个，7b的蒸馏模型来部署。如果不知道自己的机器，适合部署哪个模型，可以参考这个表格。

我们复制ollama run deepseek-r1:7b这条命令，然后以root权限执行它。这里需要输入我们的root密码。这样它就开始下载模型，并进行安装了。

安装完成了，可以看到我们现在已经进入到， deepseek R1模型的对话页面了。现在，在命令行，就可以和模型对话了，我们来试一下。可以看到，使用没有问题。

但是使用命令行的方式，很不方便，我们下面来看一下。如何和 ChatGPT 一样，在web页面和AI模型对话。首先我们需要安装这个 page assist 浏览器插件。

然后打开插件，在模型这里，选择我们安装的， deepseek R1 7b模型。然后就可以和ChatGPT一样，在网页中，和deepseek R1模型对话了。下面我们让他实现一个登录页面，来看一下效果怎么样。可以看到处理速度还是比较慢的，而且我这这个设备的CPU，都已经跑的飞起来了。也就勉强能够运行这个7b的模型。

代码生成完了，我们下载下来，在浏览器打开看一下。可以看到效果还是可以的，那这个7b的蒸馏模型。它的推理能力还是比较弱的，适合用来处理一些简单的任务。比如AI对话，文案编辑等等。如果需要更强的推理能力，可以部署参数量更大的蒸馏模型。

搭配vscode

最后我们再来看一下，如何把本地部署的这个 deepseek R1 7b模型。加入到vscode中，用来进行代码开发。这里我们介绍2个，常用的AI编程插件，continue和cline。

1. continue插件

先来看continue插件，点击上面的：添加一个模型。provider这里选择 ollama，然后下面的models选择 deepseek coder。点击connect，然后需要修改，这个配置文件中的 model的值。

这个model的值，我们需要从 ollama 来获取，执行 ollama list 命令。然后复制这个 deepseek R1 7b模型的name，回到配置文件。把复制的模型name粘贴进去，然后保存配置文件就可以了。来试一下效果。可以看到，现在continue插件，已经可以使用deepseek R1 7b模型了。

2. cline插件

接下来，再来配置 cline 插件。点击插件右上角的设置，api provider这里选择 ollama。然后下面的model ID这里，粘贴上我们上一步，使用ollama list获取到的，模型的name。

来测试下效果，可以看到，这里一直卡在API request这一步。不止cline插件，roo code 插件也是一样。

在cline的GitHub项目下面的，issues里面，已经有人反馈了这个问题。目前这个问题，应该还在处理中，具体原因也有待排查。

大家在cline或roo code插件中，如果遇到这个问题，可以先使用其它本地模型，或者API的方式。等这个问题修复后，再切换成本地deepseek R1模型。

结束语

deepseek R1 是一个，对标OpenAI o1的国产大模型。它的训练成本远低于同类模型，R1 的出现可能会改变：“要形成AI竞争力，就必须依靠大量的GPU和巨额的训练费用”这一现状。也许在以后，性价比将成为AI发展中的一个重要考虑因素吧。