deepseek-r1 671B满血版离线部署

最新推荐文章于 2025-03-18 17:03:29 发布
最新推荐文章于 2025-03-18 17:03:29 发布
阅读量1.2k 收藏 19
点赞数 25
文章标签： 人工智能 ollama deepseek dify 离线部署
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_38842821/article/details/145677734
版权

在这里插入图片描述

可以在腾讯云上先按小时收费的方式，租一个小机器部署70b的练手

有偿部署可联系VX digo0924

部署671B可以用GT4型号
在这里插入图片描述
部署70B可以用GN10XP型号（推荐）
[图片]

模型权重文件联网下载（windows)

  1. 安装ollama（OllamaSetup.exe）
  2. 文件默认存储在（C:\Users\用户名.ollama\models）目录下，如果C盘可用空间小于400GB，更换ollama默认存储位置
  3. 通过powershell运行以下脚本(.ps1)，拉取模型权重。（定时中断稳定下载网速）
while ($true) {
    $modelExists = ollama list | Select-String "deepseek-r1:671b"
    if ($modelExists) {
        Write-Host "model is ready"
        break
    }

    Write-Host "download..."
    $process = Start-Process -FilePath "ollama" -ArgumentList "run", "deepseek-r1:671b" -PassThru -NoNewWindow

    Start-Sleep -Seconds 60

    try {
        Stop-Process -Id $process.Id -Force -ErrorAction Stop
        Write-Host "kill and restart..."
    }
    catch {
        Write-Host "error"
    }
}

基础环境

OS: CentOS 7.6
GCC版本：GCC 9+
Anaconda: 24.7.1
PYTHON：3.11.7
CUDA: 11.7
OLLAMA: 0.5.11

离线安装软件包

在这里插入图片描述

OLLAMA安装（sudo权限）

https://ollama.readthedocs.io/gpu/#linux
OLLAMA安装包（ollama-linux-amd64.tgz）拷贝到用户根目录

# 安装anaconda新环境, 一直yes，等待安装完成
chmod 777 Anaconda3-2024.02-1-Linux-x86_64.sh
./Anaconda3-2024.02-1-Linux-x86_64.sh

**！！！重启一个终端**

# 安装ollama包
# curl -L https://ollama.com/download/ollama-linux-amd64.tgz -o ollama-linux-amd64.tgz
sudo tar -C /usr -xzf ollama-linux-amd64.tgz

# 开始 Ollama:
ollama serve

# 设置启动目录
# OLLAMA_MODELS=/home/ollama/models ollama serve

# 在另一个终端中，验证 Ollama 是否正在运行：
ollama -v

添加 Ollama 为开机启动服务(推荐，暂时先不设置）

创建 Ollama 的用户和组：

sudo useradd -r -s /bin/false -U -m -d /usr/share/ollama ollama
sudo usermod -a -G ollama $(whoami)

在 /etc/systemd/system/ 目录下创建一个服务文件 ollama.service：

[Unit]
Description=Ollama Service
After=network-online.target
[Service]
ExecStart=/usr/bin/ollama serve
User=ollama
Group=ollama
Restart=always
RestartSec=3
Environment="PATH=$PATH"
# Environment="OLLAMA_HOST=0.0.0.0"
# Environment="OLLAMA_ORIGINS=*"
[Install]
WantedBy=default.target

然后启动服务：

sudo systemctl daemon-reload
sudo systemctl enable ollama

deepseek-r1 671B模型安装

模型导入（权重文件迁移）

# 将模型保存到/usr/share/ollama/.ollama目录下
unzip deepseek-r1-70b.zip -d /usr/share/ollama/.ollama/models/blobs

# /home/ollama/models/ 树结构如下
(base) /usr/share/ollama/.ollama$ tree /usr/share/ollama/.ollama/models/
/usr/share/ollama/.ollama/models/
├── blobs
│   ├── sha256-369ca498f347f710d068cbb38bf0b8692dd3fa30f30ca2ff755e211c94768150
│   ├── sha256-4cd576d9aa16961244012223abf01445567b061f1814b57dfef699e4cf8df339
│   ├── sha256-5e9a45d7d8b98eb61a65815d36008bfef6fd6ebad6f0be432fb61d83b70550f8
│   ├── sha256-6e4c38e1172f42fdbff13edf9a7a017679fb82b0fde415a3e8b3c31c6ed4a4e4
│   └── sha256-f4d24e9138dd4603380add165d2b0d970bef471fac194b436ebd50e6147c6588
└── manifests
    └── registry.ollama.ai
        └── library
            └── deepseek-r1
                └── 70b
# 
OLLAMA_MODELS=/usr/share/ollama/.ollama/models/ ollama serve

# 如果设置成系统服务，则重启
sudo systemctl restart ollama

# 重新打开一个终端，查看模型
ollama list

deepseek-r1:671b模型运行

# 运行deepseek-r1:671b
ollama run deepseek-r1:671b

服务端口安全暴露（推荐）

# CentOS/RHEL
# 仅暴露11434端口，使用 firewall-cmd
sudo firewall-cmd --permanent --add-port=11434/tcp --zone=public

sudo firewall-cmd --permanent --remove-port=11434/tcp --zone=public

sudo firewall-cmd --reload

API开放-Dify部署

docker安装（如有跳过）

# 选择版本进行下载，下载成功后解压docker包。
tar -zxvf docker-26.1.3.tgz

# 给docker执行文件赋予可执行权限
sudo chmod 755 -R docker

# 将解压出来的docker文件内容拷贝或者移动到 /usr/bin/目录下
cp docker/* /usr/bin/

# 使用 docker -v 或者 docker info 命令验证是否可以输出docker信息了。
docker -v

编辑配置文件

vim /etc/systemd/system/docker.service

添加内容：

[Unit]
Description=Docker Application Container Engine
Documentation=https://docs.docker.com
After=network-online.target firewalld.service
Wants=network-online.target
  
[Service]
Type=notify
# the default is not to use systemd for cgroups because the delegate issues still
# exists and systemd currently does not support the cgroup feature set required
# for containers run by docker
ExecStart=/usr/bin/dockerd -H unix:///var/run/docker.sock --selinux-enabled=false --default-ulimit nofile=65536:65536
ExecReload=/bin/kill -s HUP $MAINPID
# Having non-zero Limit*s causes performance problems due to accounting overhead
# in the kernel. We recommend using cgroups to do container-local accounting.
LimitNOFILE=infinity
LimitNPROC=infinity
LimitCORE=infinity
# Uncomment TasksMax if your systemd version supports it.
# Only systemd 226 and above support this version.
#TasksMax=infinity
TimeoutStartSec=0
# set delegate yes so that systemd does not reset the cgroups of docker containers
Delegate=yes
# kill only the docker process, not all processes in the cgroup
KillMode=process
# restart the docker process if it exits prematurely
Restart=on-failure
StartLimitBurst=3
StartLimitInterval=60s
  
[Install]
WantedBy=multi-user.target

启动 docker 服务

# 添加文件可执行权限
sudo chmod +x /etc/systemd/system/docker.service

# 配置成功后，重新加载 daemon 服务
sudo systemctl daemon-reload

# 启动 docker 服务
sudo systemctl start docker

# 将 docker 服务设置为开机自动启动
sudo systemctl enable docker

安装docker-compose

将下载后的docker-compose安装包传至需要安装docker-compose服务的服务器上。

# 复制docker-compose到/usr/local/bin/目录下 
sudo cp -f docker-compose-linux-x86_64.v2.28.1 /usr/local/bin/docker-compose

# 赋予docker-compose可执行权限
sudo chmod +x /usr/local/bin/docker-compose

# 查看docker-compose版本
sudo docker-compose -v

导入dify

  1. 将项目文件和镜像文件复制到生产服务器
  2. 加载 Docker 镜像：
# 外网服务器上
docker save -o dify-web.tar langgenius/dify-web:0.15.3
docker save -o dify-api.tar langgenius/dify-api:0.15.3
docker save -o postgres.tar postgres:15-alpine
docker save -o nginx.tar nginx:latest
docker save -o dify-sandbox.tar langgenius/dify-sandbox:0.2.10
docker save -o squid.tar ubuntu/squid:latest
docker save -o weaviate.tar semitechnologies/weaviate:1.19.0
docker save -o redis.tar redis:6-alpine 

cd docker_images
docker load -i dify-web.tar
docker load -i dify-api.tar
docker load -i postgres.tar
docker load -i nginx.tar
docker load -i dify-sandbox.tar
docker load -i redis.tar
docker load -i squid.tar
docker load -i weaviate.tar

# 到dify/docker目录
cd dify/docker/
cp .env.example .env
# 编辑 .env 文件，配置必要的环境变量
 
# 启动服务
docker compose up -d
 
# 然后打开一个新的浏览器，输入 localhost:80，或者本机 IP 地址:80,可以看到进入到了 Dify 中。

dify配置ollama api

在 Dify 主界面，点击右上角个人名字圆圈，点击设置——模型供应商——Ollama
在这里插入图片描述
在这里插入图片描述

  • 模型名称：llava
  • 基础 URL：http://<本机IP地址>:11434
    此处需填写可访问到的 Ollama 服务地址。
    若 Dify 为 docker 部署，建议填写局域网 IP 地址，如：http://192.168.1.100:11434 或 docker 宿主机 IP 地址，如：http://172.17.0.1:11434。
    若为本地源码部署，可填写 http://localhost:11434。
  • 模型类型：对话
  • 模型上下文长度：4096
    模型的最大上下文长度，若不清楚可填写默认值 4096。
  • 最大 token 上限：4096
    模型返回内容的最大 token 数量，若模型无特别说明，则可与模型上下文长度保持一致。
  • 是否支持 Vision：是
    当模型支持图片理解（多模态）勾选此项，如 llava。

OLLAMA环境变量设置

  1. OLLAMA_HOST：这个变量定义了Ollama监听的网络接口。通过设置OLLAMA_HOST=0.0.0.0，我们可以让Ollama监听所有可用的网络接口，从而允许外部网络访问。
  2. OLLAMA_MODELS：这个变量指定了模型镜像的存储路径。通过设置OLLAMA_MODELS=F:\OllamaCache，我们可以将模型镜像存储在E盘，避免C盘空间不足的问题。
  3. OLLAMA_KEEP_ALIVE：这个变量控制模型在内存中的存活时间。设置OLLAMA_KEEP_ALIVE=24h可以让模型在内存中保持24小时，提高访问速度。
  4. OLLAMA_PORT：这个变量允许我们更改Ollama的默认端口。例如，设置OLLAMA_PORT=8080可以将服务端口从默认的11434更改为8080。
  5. OLLAMA_NUM_PARALLEL：这个变量决定了Ollama可以同时处理的用户请求数量。设置OLLAMA_NUM_PARALLEL=4可以让Ollama同时处理两个并发请求。
  6. OLLAMA_MAX_LOADED_MODELS：这个变量限制了Ollama可以同时加载的模型数量。设置OLLAMA_MAX_LOADED_MODELS=4可以确保系统资源得到合理分配。
  7. OLLAMA_ORIGINS: 允许的源列表，星号*或使用逗号分隔。
  • OLLAMA_DEBUG：是否开启调试模式，默认为 false。
  • OLLAMA_FLASH_ATTENTION：是否闪烁注意力，默认为 true。
  • OLLAMA_HOST：Ollama 服务器的主机地址，默认为空。
  • OLLAMA_KEEP_ALIVE：保持连接的时间，默认为 5m。
  • OLLAMA_LLM_LIBRARY：LLM 库，默认为空。
  • OLLAMA_MAX_LOADED_MODELS：最大加载模型数，默认为 1。
  • OLLAMA_MAX_QUEUE：最大队列数，默认为空。
  • OLLAMA_MAX_VRAM：最大虚拟内存，默认为空。
  • OLLAMA_MODELS：模型目录，默认为空。
  • OLLAMA_NOHISTORY：是否保存历史记录，默认为 false。
  • OLLAMA_NOPRUNE：是否启用剪枝，默认为 false。
  • OLLAMA_NUM_PARALLEL：并行数，默认为 1。
  • OLLAMA_ORIGINS：允许的来源，默认为空。
  • OLLAMA_RUNNERS_DIR：运行器目录，默认为空。
  • OLLAMA_SCHED_SPREAD：调度分布，默认为空。
  • OLLAMA_TMPDIR：临时文件目录，默认为空。Here is the optimized list in the desired format:
  • OLLAMA_DEBUG：是否开启调试模式，默认为 false。
  • OLLAMA_FLASH_ATTENTION：是否闪烁注意力，默认为 true。
  • OLLAMA_HOST：Ollama 服务器的主机地址，默认为空。
  • OLLAMA_KEEP_ALIVE：保持连接的时间，默认为 5m。
  • OLLAMA_LLM_LIBRARY：LLM 库，默认为空。
  • OLLAMA_MAX_LOADED_MODELS：最大加载模型数，默认为 1。
  • OLLAMA_MAX_QUEUE：最大队列数，默认为空。
  • OLLAMA_MAX_VRAM：最大虚拟内存，默认为空。
  • OLLAMA_MODELS：模型目录，默认为空。
  • OLLAMA_NOHISTORY：是否保存历史记录，默认为 false。
  • OLLAMA_NOPRUNE：是否启用剪枝，默认为 false。
  • OLLAMA_NUM_PARALLEL：并行数，默认为 1。
  • OLLAMA_ORIGINS：允许的来源，默认为空。
  • OLLAMA_RUNNERS_DIR：运行器目录，默认为空。
  • OLLAMA_SCHED_SPREAD：调度分布，默认为空。
  • OLLAMA_TMPDIR：临时文件目录，默认为空。
满血版671b DeepSeek【一键部署】！
2401_84494441的博客
02-08 1005
事情的起因是这样的，昨天晚上11.30，我正想出去吃个宵夜。微信上有个朋友突然找我，我那一秒是懵的，还特意确认了一下是不是那个版本。说实话我还真不知道，，，也没有想过。不过最近DeepSeek确实非常火爆，用的非常恼火API平台虽然开放了，but充值不了deepseek官方API也没关系，可以到这个高速AI_API中转站看看（同样支持R1和V3）**KG高速AI_API中转站：**https://kg-api.cloud/但偏偏人家deepseek不差钱，一心搞技术（深度求索嘛），所以这就。
私有化部署DeepSeek-R1 671B，公司内部团队使用
spy17642913947的博客
02-10 8058
环境搭建与验证通过对硬件、操作系统与 Python 环境的确认，保证了运行环境的可靠性；使用 Ollama 进行统一管理，并结合 AnythingLLM 提供可视化交互界面。模型下载与部署测试顺利地加载 DeepSeek-R1 671B 预训练模型；进行了基础功能、性能与安全性测试，并取得预期结果。正式上线与持续维护机制构建了上线流程、监控告警系统、与后续的扩容和优化思路；为未来模型微调、分布式扩展等高阶需求预留空间。
大模型部署框架 Ollama：环境变量设置与常用 CLI 命令
最新发布
AAI666666的博客
03-18 906
​ 本文介绍 Ollama 的环境变量设置，常用 CLI 命令及其运行示例。环境变量用于配置 Ollama 的运行环境和行为，CLI 命令用于与本地大模型的交互和管理。 ​
deepseek内网离线部署手册
xionghui2007的博客
03-17 1344
deepseek，内网离线部署
完整DeepSeek-R1 671B本地化部署，详尽教程来了！
Y525698136的博客
02-05 2831
在刚刚过去的春节期间，DeepSeek 成为了人工智能领域的焦点，其强大功能赢得了广泛好评。然而，真正的独家定制体验，需要将模型部署到本地。本文详细介绍了使用Ollama在本地部署DeepSeek R1的全流程，帮助各位读者搭建专属的智能助手。
DeepSeek-r1 模型离线部署
2302_77407111的博客
01-31 8546
我们直接可以在浏览器搜索它的官网打开之后就可以进入DeepSeek的官网在里面我们可以接看到在线聊天工具和获取手机app以及右上角的API开放平台，这里我们进入右上角的API开放平台进行注册并获取API KEY，一定要记好你们的名字和生成的KEY。这个是我们API的凭证，基于这个API我们可以在cherry-studio里面部署，这个区别于我们的本地部署，计算更加强大。我这里就不一一赘述。
DeepSeek—671B大模型全家桶搭建个人知识库，智能对话页面，智能代码生成助手（附保姆级教程）
qq_18469315的博客
02-04 1330
🔥【0元领671B大模型全家桶】985学霸都在用的AI神器！3步解锁论文神器/自动编程/文档分析黑科技，注册即送2000万token+30页保姆教程！金融分析师用它效率暴涨300%，前100名加赠30分钟视频指导，手慢无→
ollama 部署 deepseek-r1 70B 模型完整指南.pdf
02-10
在部署DeepSeek-R1 70B模型的完整过程中，首先需要进行模型的下载与准备。具体操作为通过ModelScope平台下载经过量化处理的GGUF格式模型文件。推荐选择Q5_K_M量化级别，这种量化级别可以在保持94%的精度下，将模型...
教程Ollama+deepseek-r1:1.5b+AnythingLLM本地部署轻量级大模型
02-27
本教程将详细介绍如何在本地环境中部署一个名为Ollama+deepseek-r1:1.5b+AnythingLLM的轻量级大模型。这个模型不仅能够提供强大而稳定的服务，而且能够在网络不可用的情况下保证用户仍能使用deepseek，满足对基本AI...
以 **DeepSeek-R1-Distill-Qwen-32B** 模型的部署为例，结合 `vLLM` 框架的实践日志，详细解析大模型服务化部署的核心参数配置与优化技巧
weixin_41046245的博客
02-10 1610
精度选择bfloat16平衡速度与显存消耗。显存管理：合理分配模型权重与 KV 缓存空间。并发优化：根据调整请求批处理策略。vLLM 凭借显存管理机制，显著提升了大模型的服务化效率，是生产环境部署的理想选择。
Ollama容器+打造DeepSeek-R1-7B大模型
beck_li的博客
02-09 1209
ollama run deepseek-r1:7b需要联网情况，下载完成后，就可以对话了。注意：内存越高，效果越好，但占用储存会更多。多GPU配置(A100/H100)至此，本地部署Ollama并运行。数据中心级多GPU集群。1.1 在线拉取镜像。1.2 导入离线镜像。
使用Ollama部署deepseek大模型
2401_84494441的博客
01-28 2368
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
DeepSeek-R1-UD-IQ1_M（671B，1.73-bit 动态量化，158 GB，HuggingFace）百度网盘
02-12 1580
deepseek 671b量化模型 百度网盘链接
DeepSeek R1-671B满血版免费平台
weixin_38978741的博客
02-20 499
过去的两周，AI和算力行业上演了一场魔幻现实大戏：无数平台高举「DeepSeek满血版免费」大旗疯狂引流，用户只能在反复宕机的官方服务器与性能缩水的「阉割克隆体」间疲于奔命。智星云GPU算力平台接入DeepSeek R1满血版API，支持在线直接使用，也可以调用API，通过Chatbox一键部署。当我问智星云API版本DeepSeek和DeepSeek官网同一个问题时，它们的表现惊人的一致。这次，真·满血版（DeepSeek R1 671B）来了！点击保存（注意看图标红部分，要与智星云提供的信息保持一致）
在windows下使用本地AI模型提供翻译、对话、文生图服务
omnibots的博客
06-08 6411
OllamaOllluma全面兼容MacOS、Linux和Windows系统，它提供简洁的一键式本地模型部署流程，并将API功能统一转换至与OpenAI相匹配的标准格式，旨在为您带来无缝且高效的使用体验。Docker Desktop 是一个由 Docker Inc. 开发的桌面应用软件，用于在 Windows、macOS 和 Linux 操作系统上运行本地容器。它提供了一种简单且易于使用的界面来启动和管理 Docker 容器，并提供了对一些常用工具（如 Kubernetes）的支持。
deepseek r1完全本地部署实战教程10
数据饕餮
02-08 449
Ollama使用环境变量来进行配置，允许用户根据需要调整其行为。通过合理配置这些环境变量，用户可以优化Ollama的性能、安全性以及功能适应性，使其更好地服务于特定的应用场景或开发需求。
零基础喂饭教程：本地低配置电脑部署deepseek-r1大模型，甚至可以部署最高的671b大模型，只需要做到这一点...
02-03 6667
我们今天在低配置甚至无显卡的电脑里，部署国产之光：deepseek-r1大模型，可以根据自己的需求选各个参数的模型，甚至是671b（6710亿参数模型）。安装完成以后，安装程序会自己关闭，如果想判断是否安装成功，就打开命令行。等到出现 Send a message时，就可以输入文字进行沟通使用了。如果能显示出ollama版本，则安装成功。先下载安装OllamaSetup.exe。怎样判断自己可以安装哪个大模型。输入命令：ollama -v。直接点Install安装。只需要按需下载就可以了。
部署私有化大模型ollama，造一个私人小秘书
python1234567_的博客
08-15 2106
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。在现在世面有众多的大模型，如果能训练一个私有化的大模型帮助小型公司和个人搭建知识库，定会提高信息检索的效率，ollama框架就是如此。
通过ollama离线部署DeepSeek-R1-Distill-Qwen-1.5B模型
02-10
### 如何通过 Ollama 进行 DeepSeek-R1-Distill-Qwen-1.5B 模型的离线部署 为了成功完成 DeepSeek-R1-Distill-Qwen-1.5B 的离线部署，需遵循特定流程并满足相应环境需求。此部分介绍具体操作指南。 #### 准备工作 确保目标机器具备足够的计算资源来支持模型运行。对于较小规模的蒸馏版本如 Qwen-1.5B，虽然不需要像满血版那样高的硬件配置，但仍建议至少配备一块高性能 GPU 和充足的 RAM 来保障流畅执行[^3]。 #### 安装依赖包 安装必要的 Python 库和其他工具链之前，先设置虚拟环境以隔离项目依赖关系： ```bash python -m venv myenv source myenv/bin/activate # Linux/MacOS 或者 `myenv\Scripts\activate` Windows下 pip install --upgrade pip setuptools wheel torch transformers accelerate bitsandbytes safetensors ``` #### 下载预训练权重文件 由于网络访问受限，在开始前应提前下载好所需的预训练参数文件，并将其放置于指定目录内以便后续加载使用。可以从官方仓库或其他可信渠道获取这些二进制数据集。 #### 加载与初始化模型实例 利用 Hugging Face Transformers 库简化加载过程，下面给出一段简单的代码片段用于创建模型对象： ```python from transformers import AutoModelForCausalLM, AutoTokenizer model_name_or_path = "path/to/local/model" tokenizer = AutoTokenizer.from_pretrained(model_name_or_path) model = AutoModelForCausalLM.from_pretrained( model_name_or_path, device_map="auto", # 自动分配到可用设备上 load_in_8bit=True # 使用 int8 推理优化 ) ``` #### 测试推理功能 最后一步是验证整个系统的正常运作情况，可以通过输入一些样本文本来观察输出效果： ```python input_text = "Once upon a time..." inputs = tokenizer(input_text, return_tensors="pt").to(&#39;cuda&#39;) outputs = model.generate(**inputs) print(tokenizer.decode(outputs[0], skip_special_tokens=True)) ``` 以上即为基于 Ollama 平台实现 DeepSeek-R1 蒸馏变体之一 Qwen-1.5B 版本离线部署的大致步骤概述[^1]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

滴滴滴'cv

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值