最近DeepSeek由于受到大量DDOS攻擊，加上訪問過熱，總是會出現服務器繁忙、無法加載的情況，于是乎我測試在本地電腦部署DeepSeek R1模型，居然測試成功了，而且速度并不比APP慢。
下面會講到部署本地LLM（大模型）需要的軟件，以及相應的電腦配置，這里以DeepSeeK R1各種版本為例。
我選擇了Ollama作為本地運行LLM的工具，這是一個非常出名的開源軟件，Github上有12萬Star，主要用來在本地電腦設備下載、部署和使用LLM。
Ollama提供了豐富的LLM庫用于下載，比如llama、qwen、mistral以及這次要使用的deepseek r1，而且有不同的參數規模用于選擇，適配不同性能的電腦設備。
Ollama雖然支持直接使用LLM，但是僅能在命令行來對話，交互功能不盡人意，所以我會使用Cherry-studio來作為前端交互，以Ollama作為后臺，來和LLM對話，這就和日常使用的DeepSeek APP類似了。
Ollama交互界面：
Cherry-studio交互界面：
很多人擔心在本地部署DeepSeek R1，是不是對電腦性能有很高要求，比如CPU、GPU、內存等。
其實不用擔心，不同參數規模的模型對電腦性能要求不一樣，部署DeepSeek R1 8B規模以下的模型不需要獨顯也可以運行。
我部署的是7B模型，電腦系統windows 11，配置CPU Intel(R) Core(TM) i7-12650H 2.30 GHz，內存16GB，沒有獨顯。
這里科普下，LLM參數規模是指什么，所謂7B是指該模型大約有 70 億（7 Billion）個參數，參數代表里模型訓練過程中需要學習的數值，參數越多，模型能夠理解更復雜的信息，給出的回答也越準確和全面。
以下是基本的要求，可以對號入座。
| R1模型版本 | CPU | GPU | 內存 | 存儲 |
|---|---|---|---|---|
| 1.5B | Intel Core i5/AMD Ryzen 5 及以上 | 無強制要求，有 1GB 及以上顯存可提升性能 | 最低 8GB，推薦 16GB+ | 至少 10GB，建議留更多緩存空間 |
| 7B | Intel Core i7/AMD Ryzen 7 及以上 | 無強制要求，有 4GB 以上顯存更好，推薦 8 - 12GB | 最低 16GB，推薦 32GB+ | 至少 12GB，建議 30GB+ |
| 8B | Intel Core i7/AMD Ryzen 7 及以上 | 無強制要求，有 4.5GB 以上顯存更好，推薦 8GB+ | 最低 16GB，推薦 32GB+ | 至少 12GB，建議 30GB+ |
| 14B | Intel Core i9/AMD Ryzen 9 及以上 | 8GB 以上，推薦 12GB+，如 RTX 3080 及以上 | 最低 32GB，推薦 64GB | 至少 15GB，建議 50GB+ |
| 32B | 高端多核，強多線程處理能力 | 18GB 左右，建議 24GB+，如 NVIDIA A100 | 32GB+，推薦 64GB+ | 至少 20GB，建議 80GB+ |
| 70B | 服務器級 CPU，如 Intel Xeon 系列 | 40GB 以上，如 NVIDIA H100 | 64GB+，推薦 128GB+ | 至少 30GB，建議 200GB+ |
清楚剛剛提到的相關軟件和電腦配置后，就可以開始在本地部署DeepSeek R1了。
