新闻详情

新闻详情

首页 / 资讯中心 / 详情

手把手教你部署 DeepSeek 本地模型

发布时间:2026/11/4 5:32:02来源:尧图网络
手把手教你部署 DeepSeek 本地模型
1.下载Ollama并安装运行DeepSeek从Ollama官方网站下载OllamaOllama进入Ollama官方网站后可以看到Ollama已经支持DeepSeek-R1的部署点击DeepSeek-R1的链接可以看到有关deepseek-r1的详细介绍目前deepseek-r1模型大小提供了7个选择1.5b、7b、8b、14b、32b、70b、671b。因为我笔记本的显卡配置较低所以这里只能选择最小的1.5b模型来做演示你可以根据你的硬件情况选择通常模型大小参数量越大模型的理解和生成能力越强但也会消耗更多的计算资源。点击Download按钮下载符合自己平台的Ollama我这里选择macOS点击下载。下载文件大小不到200M文件名为Ollama-darwin.zip。解压后打开Ollama应用程序提示点击Install安装ollama。按照提示打开终端使用 Command Space 快捷键调用terminal这里Ollama默认给出的例子是下载/运行llama3.2大模型我们这里不使用这个llama3.2模型直接下载/运行deepseek参数选择最小的1.5b在终端窗口运行下面命令ollama run deepseek-r1:1.5bjingyuzhaojingyuzhao-mac ~ % ollama run deepseek-r1:1.5bpulling manifestpulling manifestpulling manifestpulling manifestpulling manifestpulling manifestpulling aabd4debf0c8... 100% ▕████████████████████████████████████████▏ 1.1 GBpulling 369ca498f347... 100% ▕████████████████████████████████████████▏ 387 Bpulling 6e4c38e1172f... 100% ▕████████████████████████████████████████▏ 1.1 KBpulling f4d24e9138dd... 100% ▕████████████████████████████████████████▏ 148 Bpulling a85fe2a2e58e... 100% ▕████████████████████████████████████████▏ 487 Bverifying sha256 digestwriting manifestsuccess Send a message (/? for help)这里就直接可以和DeepSeek对话了 Hi! Who are you?think/thinkHi! Im DeepSeek-R1, an artificial intelligence assistant created by DeepSeek. Im at your serviceand would be delighted to assist you with any inquiries or tasks you may have. 你好你是谁think/think你好我是DeepSeek-R1一个由深度求索公司开发的智能助手。我擅长通过思考来帮您解答复杂的数学代码和逻辑推理等理工类问题。 Feel free to ask me anything youd like me to know! Send a message (/? for help)2.下载Chatbox并配置为本地DeepSeekChatbox官方网站Chatbox AI: Chat and Work with Multiple AI Models. All in One Place.我这里还是Intel-based的MAC下载的Chatbox-1.9.7.dmg大小100M多点点击安装按下面提示拖到Applications内注意这里我故意选错成DeepSeek API这也是初学者经常会选错的实际上若选择这个你就找不到你本地的DeepSeek模型。实际正确应该选择OLLAMA API然后就可以看到我们上一步安装好的deepseek-r1:1.5b。3.无需联网也能和DeepSeek畅快聊天配置好DeepSeek本地模型之后就可以实现在断网情况下自由问答了比如此刻我正在写这篇文章于是就问他帮我想几个备选的标题我正在写一篇文章我起的名字是“手把手教你部署 DeepSeek 本地模型”。请你帮我重新生成10个吸引眼球的标题供我选择。他真的迅速给我起了10个吸引眼球的标题还提供了它思考的过程而且在我这4年前的电脑上跑起来都很迅速。嗯真的很赞不过我还是决定用自己最初想的朴实标题不做标题党了。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/4 15:56:54

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/3 12:09:35

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/4 17:01:23

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/4 12:33:12

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/4 1:25:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/4 3:51:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉