一文速览DeepSeek-R1的本地部署——可联网、可实现本地知识库问答：包括671B满血版和各个蒸馏版的部署(含单卡4090部署671B)

v_JULY_v

已于 2025-03-03 22:04:15 修改

阅读量6.1w

点赞数 143

分类专栏：火爆全球的DeepSeek系列模型文章标签： R1 671B满血版的部署 R1蒸馏版本的本地部署 DeepSeek-R1 基于R1的本地知识库问答 DeepSeek的本地部署本地部署可联网单卡4090部署R1 671B

于 2025-02-03 15:29:02 首次发布

本文链接：https://blog.csdn.net/v_JULY_v/article/details/145429696

版权

火爆全球的DeepSeek系列模型专栏收录该内容

9 篇文章

订阅专栏

前言

自从deepseek R1发布之后「详见《一文速览DeepSeek R1：如何通过纯RL训练大模型的推理能力以比肩甚至超越OpenAI o1(含Kimi K1.5的解读)》」，deepseek便爆火

爆火以后便应了“人红是非多”那句话，不但遭受各种大规模攻击，即便后来挡住了大部分攻击，但海内外大量闯入deepseek官网一探究竟的网友也把他们的服务器压得不堪重负

导致一提问，要么频繁显示：服务器繁忙，请稍后再试；要么回答了但无法联网，致使我朋友圈内一些不知情的朋友说：看把媒体给能的，各种瞎吹，但其实不过尔尔..

怎么办呢？

一方面，微信上的好友老师木发圈表示
“ 这个春节有点特别，虽然没有休息一天，大家也没有怨言。看到DeepSeek创造的一个又一个奇迹，我很焦急但苦于没有资源，同事突发奇想：国产卡多，用国产卡吧 ”
于是，在25年的2.1日，硅基流动 x 华为云联合推出基于昇腾云的 DeepSeek R1 & V3 推理服务！

个人认为这是国产GPU替代英伟达GPU之路的里程碑时刻
虽然在此之前，华为以及不少国内公司在GPU国产化上做了很多工作、努力，而且在不少政务单位已经做了很多替代
但我们过去两年对外接各种大模型项目的时候——我司「七月在线」除了开发一系列内部产品也对外接各种项目，不论是客户还是我们内部，对国产GPU是否好适配、以及适配之后是否丝滑好用始终存在着一定的担忧

我相信，这一情况会随着本次的「昇腾云的 DeepSeek R1 & V3 推理服务」而越来越好
二方面，加之我司「七月在线」遇到的大部分B端政企客户出于安全、私密的考虑，很多都希望本地部署
故本文便来重点探讨各种版本下、各种情况下的DeepSeek-R1的本地部署「当然，某乎上也有很多类似“ 如何在本地部署DeepSeek-R1模型？” 的帖子，但有了本文之后，你基本上不用再看别的帖子了」

如此，本文来了，以下是本文的更新记录「本文不用付费、不用各种附加条件，直接看即可，且涵盖各种版本的部署、各种交互模式、各种额外功能比如联网、知识库——齐活」

2.3日下午，在我自己的iMac上本地部署了下R1 7B蒸馏版，详见下文的
2.1.1 Ollama下的终端命令行交互
2.1.2 Ollama下的open-webui交互：基于docker安装，且支持联网搜索
2.4日晚上，可能是自己早已习惯在博客中尽可能把所有细节一次性讲清楚
所以我自己又尝试了
2.1.3 基于Ollama + ChatBox部署deepseek-r1:7b
2.2.1 基于Ollama + Page Assist搭建本地知识库问答系统：且支持联网搜索

且同时让同事文弱尝试了通过vLLM推理deepseek-r1，也已更新在了下文的
2.3 通过vLLM推理deepseek-r1
2.5日早上，再度尝试了
2.2.2 基于Ollama + AnythingLLM搭建本地知识库问答
2.8日下午，在文中体现出不同电脑上的安装差别——分Mac版、Windows版、Linux
后两者分别来自同事朝阳、同事青睐的贡献
2.15上午，新增：3.1.3 单卡4090部署Deepseek-R1 671B Q4量化版
3.2日下午，补充「3.1.3 单卡或4卡4090部署Deepseek-R1 671B Q4量化版」的相关内容

第一部分本地部署之前的准备工作：各个版本、推理框架、硬件资源

1.1 DeepSeek-R1的多个版本：加上2个原装671B的，总计8个参数版本

在huggingface上总共有以下几种参数的deepseek R1

DeepSeek-R1 671B
DeepSeek-R1-Zero 671B
DeepSeek-R1-Distill-Llama-70B
DeepSeek-R1-Distill-Qwen-32B
DeepSeek-R1-Distill-Qwen-14B
DeepSeek-R1-Distill-Llama-8B
DeepSeek-R1-Distill-Qwen-7B
DeepSeek-R1-Distill-Qwen-1.5B

1.2 主流的大模型推理框架：分为PC端和Android端

首先，看推理框架，目前主流的大模型推理框架主要有以下5种：

SGLang
完全支持 BF16 和 FP8 推理模式下的 DeepSeek-V3 模型
Ollama，相对简单易用，大众用户首选
vLLM，开发者首选，便于商业化诉求
支持 FP8 和 BF16 模式的 DeekSeek-V3 模型，用于张量并行和管道并行
详见：一文通透vLLM与其核心技术PagedAttention：减少KV Cache碎片、提高GPU显存利用率(推理加速利器)
LLaMA.cpp
MNN-LLM，偏Android手机端
MNN-LLM展现了卓越的CPU性能，预填充速度相较于llama.cpp提高了8.6倍，相较于fastllm提升了20.5倍，解码速度分别快了2.3倍和8.9倍
更多详情，请参见论文《MNN-LLM: A Generic Inference Engine for Fast Large Language Model Deployment on Mobile Devices》

1.3 不同参数的模型所要求的硬件

其次，看硬件要求，很显然，不同参数的模型所要求的硬件各不相同(修改自微信好友杨老师整理的表格)

模型参数	最低GPU配置	最低CPU配置	建议内存	建议硬盘空间
R1 or R1-Zero 满血版	A/H100(80G) x 16-18 某乎上便有篇文章：16张H100部署模型DeepSeek-R1 值得一提的是，A100/A800原生并不支持FP8运算，如果A800要执行FP8精度计算，需要在指令层面进行模拟（存在精度转换计算）如下图所示(图源) 当然，如果用8-bit量化，则显存需求降至671B，需9-12张H100	Xeon 8核	192GB	2TB固态
R1-distill-llama70B	RTX 4090(24GB) x 2，相当于合起来48G	i9-13900K	64GB	1TB固态
R1-distill-Qwen32B	RTX 4090(24GB)	i7-13700K	64GB	1TB固态
R1-distill-Qwen14B	RTX 4060S(16GB)	Ryzen 7	32GB	500G固态

* 至于7B或8B的只需4G或以上显存即可，1.5B的则只需1G或以上显存

可以看到

完全开源的DeepSeek-R1 671B参数进行本地私有化部署的显卡资源要求极高
包括我司七月在线内部之前也最多用过8张80G的A100——通过1.5K条paper-review数据微调LLaMA2 70B「详见此文《七月论文审稿GPT第4.2版：通过15K条paper-review数据微调Llama2 70B(含各种坑)》」
由于 FP8 训练是Deepseek 的框架中原生采用的，故DeepSeek-R1/3均(DeepSeek-R1基于DeepSeek-V3-base后训练)均为FP8精度训练「详见此文《一文通透让Meta恐慌的DeepSeek-V3：在MoE、GRPO、MLA基础上提出Multi-Token预测(含FP8训练详解)》」，下图是各个精读的对比(图源)

因此提供的精度就是FP8(e4m3)，占单个Byte空间

"quantization_config": {
    "activation_scheme": "dynamic"
    "fmt": "e4m3",
    "quant method": "fp8"
    "weight_block_size": [
        128,
        128
      ]
    }

模型分片163个，模型的文件总计约为642G，如果以FP3精度加载到显存，模型参数就需要642GB空间
按PagedAttention论文预估的KV-Cache+和激化值估计至少要占到30%左石
在推理场景下，输出大多是长文本，那就更多了，而且具体模型还要实测，或用Nvidia Nisight+分析显存占用。估计常规部署都需要800GB以上，10张A800打底

而大部分消费者或开发者拥有的硬件资源是有限的，故关于网上大多数人所谓部署的R1都是其蒸馏Llama/Qwen后的8B/32B/70B版本，本质是微调后的Llama或Qwen模型

1.4 蒸馏版和满血版的两类部署

最后，咱们下面有两种部署对象

一个是部署各种蒸馏版

也不要小看蒸馏版，虽然R1蒸馏llama/qwen的版本效果上不及R1 671B满血版，但还是挺能打的

详见下图，在与GPT-4o 0513、o1 mini、QwQ-32B preview PK的过程中，各个蒸馏版在六个榜单中的五个榜单都拿到了第一
一个是部署R1 or R1-Zero 满血版

第二部分通过Ollama/vLLM/MNN本地部署R1蒸馏版：支持联网及知识库问答(含PC端和手机端)

2.1 基于Ollama和各类插件构建智能对话：终端、open-webui、chatbox

2.1.1 Ollama下的终端命令行交互

首先，671B的R1光模型本身就有688G：

huggingface.co/deepseek-ai/DeepSeek-R1，没有一定的GPU集群确实不好弄
即便是量化版本，最极端的Q1量化，也要94G：huggingface.co/bartowski/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-IQ1_S
Q4量化版，则大概360G，如果有5张 A100 80G，则可以试一下
huggingface.co/bartowski/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-IQ4_XS

所以，一般用户比较好跑的还是R1的蒸馏版

如果是10G显存
可以跑这个R1蒸馏Qwen 2.5 14b的IQ4_NL版本huggingface.co/bartowski/DeepSeek-R1-Distill-Qwen-14B-GGUF/blob/main/DeepSeek-R1-Distill-Qwen-14B-IQ4_NL.gguf
如果是16G显存
一方面，可以试试蒸馏的Qwen 2.5 32b的版本，IQ3_M量化，不过，有人实测后，说损失有点严重——相当于Q4以下量化都不太推荐
二方面，我司七月在线的《DeepSeek项目实战营》提供的GPU预装了DeepSeek-R1-Distill-Llama-8B：https://huggingface.co/deepseek-ai/DeepSeek-R1-Distill-Llama-8B，欢迎大伙体验

ollama目前支持部署多种模型，包括且不限于目前最流行的deepseek R1，也包括之前的llama 3.3等

我下午在我自己的iMac上本地部署了下R1 7B蒸馏版(同事朝阳则在Windows上试了下，同事青睐则在Linux上试了下)，还想办法支持了联网搜索，这一切确实比之前更平权了，速度可以的，效果的话毕竟就7B嘛——和671B 满血版还是有很大差距的

我的iMac Retina 4K, 21.5-inch, 2017配置如下

处理器 3,4 GHz 四核Intel Core i5
图形卡 Radeon Pro 560 4 GB
内存16 GB 2400 MHZ DDR4
macOS Ventura 13.6.7

同事朝阳Windows的配置如下

CPU：Intel(R) Core(TM) i5-8300H
显卡：NVIDIA GeForce GTX 1050Ti 4G独显
内存：16G

具体怎么操作呢，进入Ollama页面

Download Ollama，我个人电脑因为是iMac，故选择macOS版本——180M大小
如果是Windows、或Linux，则分别对应选择

其中，如果是Windows
如同事朝阳所说，则Windows上下载后，先不要着急安装，因为会默认安装到C盘中，为避免占用C盘空间，可以先打开终端（cmd），通过OllamaSetup.exe /dir="E:\Program Files\Ollama”命令可以指定Ollama安装目录——这里由于Windows会默认安装到C盘，故和其他系统如Mac需特别注意下

且Ollama安装好之后，需先关闭，在配置并保存完环境变量后重新启动
接下来，指定大模型存储目录
1、打开“开始”菜单，搜索“环境变量”，点击“编辑系统环境变量”
2、在“系统属性”窗口中，点击“环境变量按钮。在“用户变量”下，点击“新建”，输入变量名“ollama_models”，变量值为你想要存储模型的目录路径，如 “D:\Program Files\ollama_models”，点击 “确定” 保存更改

其中，如果是ubuntu
如同事青睐所说，则如下安装Ollama
```
curl -fsSL https://ollama.com/install.sh | sh
```
可以查看ollama版本
```
ollama -v
```
以下则是其他的命令
```
ollama
```
还可以查看ollama的服务运行状态
```
# 要查看当前正在运行的服务，可以使用以下命令：
sudo systemctl list-units --type=service --state=running
```
如遇问题，可以课程《DeepSeek原理与项目实战营》群内多多讨论
在模型列表页面，下载deepseek R1模型：ollama.com/library/deepseek-r1，然后可以选择比如R1蒸馏qwen2 7B的蒸馏版
打开本地的命令提示符「我个人电脑是iMac，故在启动台的搜索框里：输入终端，即可打开」，输入以下命令后，回车键开始下载安装对应参数的模型：
```
ollama pull deepseek-r1:7b
```
下载完成后，可以通过ollama list指令查看所有本地模型占用的存储空间
```
ollama list
```
想看具体某一个模型的参数。可以使用ollama show指令：
```
ollama show <模型名称>
```
具体如下图所示
然后再运行以下命令，便可以和deepseek R1对话了
```
ollama run deepseek-r1:7b
```
比如可以提问它：为何deepseek影响力这么大——当然，我当时这个例子举的并不好，因为它没联网(不过，下一节会增加联网搜索的功能)，故它已有的预训练知识，回答不了这种时效性很强的问题，大家通过命令行交互的时候，可以问它数学题，毕竟其本质是个推理模型

2.1.2 Ollama下的open-webui交互：基于docker安装，且支持联网搜索

当然，如果你希望有更好的交互方式，则可以考虑用ollama的标配前端open-webui

首先通过docker的官网下载docker
docker.p2hp.com
我直接用的Google账号注册
如果是ubuntu，则可以
1）第一步：准备ubuntu系统
我使用的是win11的wsl2 ubuntu 子系统（也可以使用VM虚拟机），详情见：window11使用wsl2安装Ubuntu22.04
2）第二步：ubuntu安装docker（命令行版）
linux 安装配置docker与网络代理，详情见：Ubuntu 安装 docker 配置环境及其常用命令

如遇问题，可以课程《DeepSeek原理与项目实战营》群内多多讨论
安装好后在右下角点击Terminal，打开控制台

输入以下命令——等待安装完成

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

然后在docker页面可以看到如下呈现

点击上面的链接：http://localhost:3000/auth，创建相关管理员账号之后
即可开始和R1对话拉

可能有同学疑问，这个7B没法联网，有点弱智啊，好问题

巧的是，在管理员面板上：http://localhost:3000/admin/settings，可以打开联网搜索滴，如果有相应搜索引擎的API，则自行设置，否则可以选择免费的duckduckgo
然后点击聊天界面的左下角 + 按钮，选择联网搜索
则一切大功告成

2.1.3 基于Ollama + ChatBox部署deepseek-r1:7b

除了上面的open-webui之外，当然，也有人说，chatbox 是个很方便的图形界面，比open web-UI 好用

一不做二不休，那我们再试下这个chatbox

通过Ollama部署好deepseek-r1:7b之后，再通过chatbox官网下载对应的客户端：chatboxai
下载好chatbox之后，进行如下图所示的一系列设置「比如模型的提供方选择OLLAMA.API，且在下拉框处选择本地已经安装的模型deepseek-r1:7b」
接下来，便可以提问R1 7B拉

2.2 基于Ollama和Page Assist/AnythingLLM构建本地知识库问答系统

2.2.1 基于Ollama + Page Assist搭建本地知识库问答系统：且支持联网搜索

也有人称，Page Assist 直接提供了一个类似Open WebUI的交互界面来运行本地的大模型，故我们再试下这个Page Assist

更何况在通过Ollama部署好deepseek-r1:7b之后，如果你想让DeepSeek R1不仅仅是一个问答机器人，而是一个具有专有知识的智能助手，那就需要搭建本地知识库了

实现也很简单——基于Page Assist即可

直接打开Chrome的插件市场，搜索并添加Page Assist插件
安装完插件后，点击插件图标，选择本地搭建的DeepSeek模型，进行配置，且支持联网搜索——背后还是基于免费的duckduckgo
且点击页面右上角的设置按钮，还可以进入RAG（RetrievalAugmented Generation）模式
上传你自己的知识库

此外，在Google浏览器下浏览任意网页时，可以随时调用R1，针对网页提问R1

2.2.2 基于Ollama + AnythingLLM搭建本地知识库问答

除了通过page Assist搭建本地知识库外，还可以通过AnythingLLM

在其官网下载客户端：https://anythingllm.com/desktop
下载好了之后，选择模型
一切安装好了之后，点击界面左上角-工作区的上传按钮
即可上传自己的知识库

2.3 通过vLLM推理deepseek-r1

本2.3节基本为我司大模型项目组的文弱编写

2.3.1 基于vLLM的命令行交互——R1-Distill-Llama-8B

首先，新建一个conda环境：

conda create -n vllm_test python=3.10

然后配置该conda环境：

conda activate vllm_test

pip install vllm

配置好以后，启动vllm推理服务：
```
vllm serve path_to/DeepSeek-R1-Distill-Llama-8B --tensor-parallel-size 1 --max-model-len 32768 --enforce-eager --gpu_memory_utilization=0.98 --enable-chunked-prefill --port 6060
```
默认是8000端口，可以修改port里的参数来改变服务端口
vllm serve后面的模型路径改为本地下载好的模型的实际绝对路径

启动vllm服务后，便可以直接提问了，比如输入如下命令行：


curl http://localhost:6060/v1/chat/completions \

-H "Content-Type: application/json" \

-d '{

  "model": "path_to/DeepSeek-R1-Distill-Llama-8B ",

  "messages": [

    {"role": "system", "content": "You are a helpful assistant."},

    {"role": "user", "content": "题目：有五个人站成一排，每个人手中都拿着一顶帽子，帽子的颜色可以是红色、蓝色或绿色。每个人都能看到自己前面的人头上的帽子颜色，但看不见自己头上的帽子，且每个人只能看到前面人的帽子颜色，而无法看见自己的帽子和别人背后的帽子。每个人都可以听到别人说话的内容，但不能交换信息。规则：每个人都知道一共有三种颜色的帽子（红、蓝、绿），并且帽子是随机分配的，每种颜色可能有多个，但也可能没有。每个人会依次回答自己头上的帽子颜色，能正确猜出自己帽子颜色的人可以获得奖励。第一个人只能听到后面四个人的回答，无法知道任何自己的信息；第二个人只能听到后面三个人的回答，依此类推。第一个人可以先做一个声明，告知后面的人如何推理他们自己的帽子颜色。问题：如果所有人都能完美推理出自己头上的帽子颜色，问：第一个人应该如何开始，才能确保最多的人能够猜对自己帽子颜色？"}

  ],

  "max_tokens": 2000,

  "temperature": 0.7,

  "top_p": 0.9

}'

2.3.2 基于vllm + open WebUi 部署r1 7b

同事文弱因为电脑显存有限，所以找了一个量化的7b模型，重在跑通流程「如他所说，open webui需要docker，所以autodl上不能用，但是我的电脑显存又比较小，我去魔搭社区找到了一个8bit的r1 7b弄的，最终在wsl2上启动的vllm服务，在Windows上启动的open webui」

对于wsl2的部分：

第一步：下载模型

git lfs install

git clone https://www.modelscope.cn/okwinds/DeepSeek-R1-Distill-Qwen-7B-Int8-W8A16.git

第二步：搭建环境

conda create -n vllm_deploy python=3.10

conda activate vllm_deploy

pip install vllm

第三步：用vllm启动推理服务

vllm serve /home/duke/playground/models/DeepSeek-R1-Distill-Qwen-7B-Int8-W8A16  --max-model-len 32768 --enforce-eager --gpu_memory_utilization=0.9 --enable-chunked-prefill

第四步：得到wsl2的实际ip地址

ip addr show eth0 | grep 'inet ' | awk '{print $2}' | cut -d/ -f1

172.18.xxx.xxx

对于Windows部分

第一步：下载docker桌面版
在docker官网(www.docker.com)下载Windows的docker桌面版

第二步：运行（下载）open Webui docker

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

第三步：在本地浏览器输入 localhost:3000 进入open Webui界面
注册并登录之后
点击左下角的settings：
在settings的界面再点击admin settings:
在接下来的页面点击Connections，点击以后在 Manage OpenAI API Connections 这个框中填入「注意，这里只是个设置框，并不需要你事先有OpenAI的API」：
http://172.18.xxx.xxx:8000/v1 （这里的ip地址为wsl2的地址，而不是localhost）
在同事文弱的环境中，必须用http协议，否则会报错。默认是https，这里需要注意一下

在第二框中填入一个空格即可

点击右下角的齿轮再连接就可以了
第四步：对话验证
新建一个对话框，这个时候就可以找到我们在wsl2中vllm部署的模型了
加载该模型即可开始对话

2.4 本地手机端部署DeepSeek-R1蒸馏Llama/Qwen后的版本

直接通过这个链接：mnn_llm_app_debug_0_1.apk，下载Android apk，安装之后，在应用内的模型列表最后一个，直接安装R1-1.5B-Qwen-MNN 即可

我另一个同事朝阳——我司七月大模型项目组负责人，也验证了下，没问题

第三部分无蒸馏前提下本地部署R1 or R1-Zero 671B满血版

本地部署R1 or R1-Zero 满血版又分为两种方式

一种是做了各种量化的，此乃属于追求满血版但资源还是有限不得不做的折中处理
一种是不做任何量化的，这种属于土豪路径，如果你是用的这个路线，请私我，原因很简单，我也想多一些土豪朋友

3.1 折中路径：无蒸馏但量化部署Deepseek-R1 671B满血版

3.1.1 本地CPU上运行 Deepseek-R1 Q8量化版的完整的硬件 + 软件设置

huggingface 的一工程师Matthew Carrigan展示了在本地CPU上运行 Deepseek-R1 的完整的硬件 + 软件设置「他使用的是 670B 模型，无蒸馏，Q8 量化，实现全质量，总成本 6,000 美元——GPU版本得10万美元+」

核心硬件方面

主板：技嘉 MZ73-LM0 或 MZ73-LM1。有 2 个 EPYC 插槽，以获得 24 个 DDR5 RAM 通道
CPU：2x 任何 AMD EPYC 9004 或 9005 CPU
“LLM 一代的瓶颈在于内存带宽，因此您不需要高端产品。如果真的想降低成本，请购买 9115 甚至 9015”
RAM：24×32GB DDR5-RDIMM
因为需要 768GB（以适应模型）跨 24 个 RAM 通道（以获得足够快的带宽），故意味着 24 x 32GB DDR5-RDIMM 模块

关键组件方面

电源：该系统的功耗出奇地低！（<400W）
“但是，您需要大量的 CPU 电源线来为 2 个 EPYC CPU 供电。Corsair HX1000i 的功率足够了。”
机箱：具有用于安装完整服务器主板的螺丝安装座
散热器：适合AMD EPYC 有 SP5 插槽的就行

系统调优方面

最后，SSD：任何适合 R1 的 1TB 或更大的 SSD 都可以。“推荐 NVMe，只是因为启动模型时你必须将 700GB 复制到 RAM 中
软件部分：安装 Linux，进入 BIOS 并将 NUMA 组数设置为 0。这将确保模型的每一层都交错在所有 RAM 芯片上，从而使我们的吞吐量加倍。安装 Llama。下载 700G 的DeepSeek-R1-Q8_0 版本

软件部署

安装llama.cpp：git clone https://github.com/ggerganov/llama.cpp
下载模型权重：HuggingFace Q8_0目录全量700GB（⚠️确保存储空间）

一切完成后，设置以下代码：

llama-cli -m ./DeepSeek-R1.Q8_0-00001-of-00015.gguf --temp 0.6 -no-cnv -c 16384 -p "<｜User｜>How many Rs are there in strawberry? <｜Assistant｜>"

这个版本没有 GPU，生成速度是每秒 6 到 8 个tokens，作者认为考虑到价格，这个非 GPU 硬件的方案可以接受。因为运行的是 Q8 量化的完整 670B 模型，因此质量应与 Deepseek API 无异

至于为什么不用GPU？

显存墙限制：保持Q8精度需700GB+显存，单张H100仅80GB → 需9张组集群 → 成本超10万美元
量化损耗困境：若降精度至FP16，8卡H100即可运行 → 但模型质量显著下降 ≈ 智商砍半
性价比暴击：本方案以1/20成本实现可用推理速度（对比GPU方案6-8tps vs 50-100tps）

3.1.2 GPU上跑无蒸馏但动态量化的Deepseek-R1 671B满血版

Unsloth AI 在 HuggingFace 上提供了 “动态量化” 版本来大幅缩减模型的体积

所谓“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

为什么可以做呢，原因在于他们观察到，DeepSeek 的前 3 层是全连接层，而非 MoE 层

作为回顾，MoE（专家混合）层使得能够在不增加模型计算量（FLOPs）的情况下增加参数数量，因为他们动态地将大多数条目掩码为 0，因此实际上跳过了对这些零值条目的矩阵乘法运算「更多请参阅此条推文：x.com/danielhanchen/status/1868748998783517093」

总之，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

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）

MoE Bits	Disk Size	Type	Quality	Link	Down_proj
1.58-bit	131GB	IQ1_S	Fair	huggingface.co/unsloth/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-UD-IQ1_S	2.06/1.56bit
1.73-bit	158GB	IQ1_M	Good	huggingface.co/unsloth/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-UD-IQ1_M	2.06bit
2.22-bit	183GB	IQ2_XXS	Better	huggingface.co/unsloth/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-UD-IQ2_XXS	2.5/2.06bit
2.51-bit	212GB	Q2_K_XL	Best	huggingface.co/unsloth/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-UD-Q2_K_XL	3.5/2.5bit

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

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

// 待更

3.1.3 单卡或4卡4090部署Deepseek-R1 671B Q4量化版

上面的方案都需要比较高的硬件成本或比较大的显存，那可能很多朋友问了，我只有一张4090，可否部署671B，哪怕量化版也行啊

嗯，好问题! 咱们就来基于清华大学ktranformers方案，通过单卡4090部署Deepseek-R1 671B Q2/Q4量化版

对于ktranformers方案，简单来说是“内存换显存”思路，可以极大降低deepseek r1模型的部署成本
「对个人用户来说，高内存显然要比高显存的成本要低的多。如果有想低成本个人或者小团队部署的话，可以尝试本节介绍的部署方案」
本次实验因没暂时没有在autodl上找到足够高内存的机器，固先测试了deepseek r1 Q2量化模型的部署，具体教程如下（如有合适配置，部署更高版本的r1基本思路也是一样的）：
....

// 单卡4090部署R1 671B暂在「七月在线」首页的deepseek项目实战营中，本文待更

本文先分享一下4卡4090部署Deepseek-R1 671B Q4量化版，当然，之所以是用四卡，是为了增加系统内存，autodl上是一张4090对应120g内存，实际用ktransfomer部署至少需要387g内存

且cuda版本：12.1 （及以上），同事文弱那里是12.4，模型大小377G

首先，是环境配置

环境配置
新建环境
```
conda create --name ktransformers python=3.11
conda activate ktransformers 
```
初次新建完可能需要先在控制台输入conda init再重启会话

下载依赖包

pip install torch packaging ninja cpufeature numpy

编译flash-attn包可能会花费大约1个小时的时间

MAX_JOBS=4 pip install flash-attn --no-build-isolation -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install --upgrade setuptools wheel cmake

下载ktransfomers的repo

git clone https://github.com/kvcache-ai/ktransformers.git

编译项目（这里也需要比较久的时间）：

cd ktransformers
git submodule init
git submodule update

export USE_NUMA=1
make dev_install

另外需要注意看下系统libstdc++.so.6文件中支持的GLIBCXX版本：

strings /usr/lib/x86_64-linux-gnu/libstdc++.so.6 | grep GLIBCXX

如果没有GLIBCXX_3.4.32版本，则需要升级GCC 和 libstdc++等：

sudo apt update
sudo apt upgrade
sudo apt install gcc g++

其次，是模型下载

这里只需要下载GGUF文件即可

具体仓库地址为：
https://www.modelscope.cn/models/unsloth/DeepSeek-R1-GGUF/files

from modelscope import snapshot_download
snapshot_download(
  repo_id = "unsloth/DeepSeek-R1-GGUF",
  local_dir = "DeepSeek-R1-GGUF",
  allow_patterns = ["*Zero-Q4_K_M*"], )

且可以nohup启动下载任务，防止本地网络波动打断下载：

nohup download.py >download.log 2>&1 &

最后，是模型运行

因网络原因，建议先启动hugging face镜像：

export HF_ENDPOINT=https://hf-mirror.com

然后可以启动local_chat，在控制台进行与Q4模型的对话：

python ./ktransformers/local_chat.py --model_path deepseek-ai/DeepSeek-R1 --gguf_path /root/autodl-tmp/models/DeepSeek-R1-GGUF/DeepSeek-R1-Q4_K_M --cpu_infer 32 --max_new_tokens 10000

参数说明：

--model_path 是对应huggingface上的仓库名称，运行以后实际不会下这个模型，只是会下载该仓库中关于config之类的几个几k的小文件
--gguf_path即为实际下载的模型的路径
--cpu_infer根据官方指导，设置为比物理核心数稍小一点就可以了。超过物理核心数性能也不会更高

启动以后可能会先卡住几十秒钟（不同配置可能情况会有不同），然后会出现加载模型的界面

等待加载结束以后（这一过程在本次实验中大概需要7~8分钟），即可开始对话

通过我们的一系列实验可知

用ktransformers部署deepseek r1 Q4模型，占用资源为：GPU 12g，内存51+672(cache)g，模型存储 377g
平均每秒token数为8点左右
回答很细致，有多处反思，实测要比o3-mini-high和claude3.7思考全面
尚不支持高并发
但是对个人用户来说，高内存显然要比高显存的成本要低的多
如果有想低成本个人或者小团队部署的话，可以尝试ktransfomers的部署方案

3.2 土豪路径：无蒸馏不量化部署Deepseek-R1 671B满血版

想既不蒸馏、且不量化部署R1满血版，其实过程跟上面差不多，但核心问题是对硬件的要求很高——正因为需要十几张H100，故涉及到对GPU集群的管理

配置项	配置要求
GPU	H100 × 16，或者A800 × 16
CPU	128核
内存	512GB
磁盘	1TB

环境则最好

OS：Ubuntu 20.04/22.04 LTS
NCCL: 2.18.1+（支持多机通信）

此外，再安装一些基础的依赖

# 基础依赖
apt-get install -y build-essential cmake libopenmpi-dev

# Python环境
conda create -n deepseek python=3.10
pip install torch==2.1.0+cu121 deepspeed==0.13.0 transformers==4.38.0 accelerate

3.2.1 分布式部署方案(基于DeepSpeed + 模型并行)：以2台8卡A800为例

从官方渠道获取DeepSeek-R1-671B完整权重
然后将模型转换为HuggingFace格式

python -m transformers.utils.convert_llama_checkpoint \
  --input_dir /path/to/raw_ckpt \
  --model_size 671B \
  --output_dir /path/to/hf_format

配置DeepSpeed多机多卡策略
编写DeepSpeed配置文件 (ds_config.json)：
```
{
  "train_batch_size": "auto",
  "zero_optimization": {
    "stage": 3,
    "offload_optimizer": {
      "device": "cpu",
      "pin_memory": true
    },
    "overlap_comm": true,
    "contiguous_gradients": true
  },
  "fp16": {
    "enabled": true,
    "loss_scale": 0,
    "loss_scale_window": 1000,
    "initial_scale_power": 16
  },
  "activation_checkpointing": {
    "partition_activations": true,
    "contiguous_memory_optimization": true
  },
  "flops_profiler": {
    "enabled": true,
    "profile_step": 1
  }
}
```
以上涉及到的一些显存优化
ZeRO-3阶段：显存优化核心，将模型参数、梯度、优化器状态分片存储
ZeRO3本质上属于数据并行，详见此文《大模型并行训练指南——通俗理解Megatron-DeepSpeed：从模型并行(张量并行、流水线并行)到数据并行ZeRO3优化》的「第四部分数据并行与ZeRO」
启用CPU Offloading：将优化器状态和参数卸载至CPU内存(当然，此举需大内存支持)，进一步降低显存压力
使用梯度检查点（Activation Checkpointing）：减少中间激活值显存占用
启动脚本
```
# 主节点（IP:192.168.1.100）执行：
deepspeed --num_nodes=2 --num_gpus=8 --master_addr=192.168.1.100 --master_port=6000 \
  run_inference.py \
  --model_name /data/deepseek-r1-671b \
  --use_deepspeed \
  --deepspeed_config ds_config.json \
  --tensor_parallel_degree 8 \   # 单机内8卡张量并行
  --pipeline_parallel_degree 2   # 跨节点流水线并行
```
上面的倒数第三行用的上文的ds_config.json
至于最后两行则属于是关键参数调优
——比如模型并行度调整：
根据模型结构（如MoE层数），调整tensor_parallel_degree和pipeline_parallel_degree组合
示例：对671B模型，建议 tensor_parallel=8（单机内） + pipeline_parallel=2（跨机）
关于流水线并行，详见此文《大模型并行训练指南——通俗理解Megatron-DeepSpeed：从模型并行(张量并行、流水线并行)到数据并行ZeRO3优化》的『第三部分流水线并行Pipeline Parallelism(模型并行的另一种)』