后端|DeepSeek R1 简单指南：架构、训练、本地部署和硬件要求

DeepSeek 的 LLM 推理新方法

DeepSeek 推出了一种创新方法，通过强化学习 (RL) 来提高大型语言模型 (LLM) 的推理能力，其最新论文 DeepSeek-R1 对此进行了详细介绍。这项研究代表了我们如何通过纯强化学习来增强 LLM 解决复杂问题的能力，而无需过度依赖监督式微调，这是一个重大进步。

DeepSeek-R1 技术概述

模型架构：

DeepSeek-R1 不是一个单一的模型，而是一个模型系列，包括：DeepSeek-R1-Zero和DeepSeek-R1

让我澄清一下 DeepSeek-R1 和 DeepSeek-R1-Zero 之间的主要区别：

主要区别

DeepSeek-R1-Zero代表了该团队使用纯强化学习进行的初步实验，没有任何监督式微调。他们从基础模型开始，直接应用强化学习，让模型通过反复试验来开发推理能力。虽然这种方法取得了令人印象深刻的结果（AIME 2024 上的准确率为 71%），但它有一些明显的局限性，特别是在可读性和语言一致性方面。它具有 6710 亿个参数，采用混合专家 (MoE) 架构，其中每个标记激活相当于 370 亿个参数。该模型展示了新兴的推理行为，例如自我验证、反思和长链思维 (CoT) 推理。

相比之下， DeepSeek-R1采用了更复杂的多阶段训练方法。它不是采用纯粹的强化学习，而是先对一小组精心挑选的示例（称为“冷启动数据”）进行监督微调，然后再应用强化学习。这种方法解决了 DeepSeek-R1-Zero 的局限性，同时实现了更好的性能。该模型还保留了 6710 亿个参数，但在响应中实现了更好的可读性和连贯性。

训练过程对比

培训方法：

强化学习：与主要依赖监督学习的传统模型不同，DeepSeek-R1 广泛使用强化学习。训练利用组相对策略优化 (GRPO)，专注于准确性和格式奖励，以增强推理能力，而无需大量标记数据。
提炼技术：为了使高性能模型的普及，DeepSeek 还发布了 R1 的提炼版本，参数范围从 15 亿到 700 亿。这些模型基于 Qwen 和 Llama 等架构，表明复杂的推理可以封装在更小、更高效的模型中。提炼过程涉及使用完整 DeepSeek-R1 生成的合成推理数据对这些较小的模型进行微调，从而以较低的计算成本保持高性能。

DeepSeek-R1-Zero 的训练过程非常简单：

从基础模型开始
直接应用强化学习
根据准确性和格式使用简单的奖励

DeepSeek-R1 的训练过程分为四个不同的阶段：

使用数千个高质量示例进行初始监督微调
强化学习专注于推理任务
通过拒绝抽样收集新的训练数据
针对所有类型任务的最终强化学习

绩效指标：

推理基准：DeepSeek-R1 在各种基准测试中都表现出了令人印象深刻的结果：
AIME 2024：通过率为 79.8%，而 OpenAI 的 o1-1217 的通过率为 79.2%。
MATH-500：得分高达 97.3%，略高于 o1–1217 的 96.4%。
SWE-bench Verified：在编程任务中表现出色，展示了其编码能力。
成本效益：DeepSeek-R1 的 API 定价为每百万输入令牌 0.14 美元（缓存命中），比 OpenAI 的 o1 等同类模型便宜得多。

局限性和未来工作

论文承认了几个需要改进的领域：

该模型有时会在需要特定输出格式的任务上遇到困难
软件工程任务的性能可以提高
多语言环境中的语言混合存在挑战
少量提示会持续降低表现

未来的工作将集中于解决这些限制并扩展模型在函数调用、多轮交互和复杂角色扮演场景等领域的功能。

部署和可访问性

开源和许可：DeepSeek-R1 及其变体在 MIT 许可下发布，促进开源协作和商业使用，包括模型提炼。此举对于促进创新和降低 AI 模型开发的准入门槛至关重要。
模型格式：
这两种模型及其提炼版本均采用 GGML、GGUF、GPTQ 和 HF 等格式，从而可以灵活地在本地部署。

1.通过DeepSeek聊天平台进行网页访问：

DeepSeek 聊天平台提供了用户友好的界面，无需任何设置要求即可与 DeepSeek-R1 进行交互。

访问步骤：
导航至DeepSeek 聊天平台
注册一个帐户，如果已有帐户，请登录。
登录后，选择“深度思考”模式，即可体验DeepSeek-R1的一步步推理能力。

DeepSeek 聊天平台

2.通过DeepSeek API访问：

对于编程访问，DeepSeek 提供了与 OpenAI 格式兼容的 API，允许集成到各种应用程序中。

使用API的步骤：

a. 获取 API 密钥：

访问DeepSeek API 平台创建帐户并生成你的唯一 API 密钥。

b.配置你的环境：

将设置base_url为https://api.deepseek.com/v1。
使用你的 API 密钥进行身份验证，通常通过 HTTP 标头中的 Bearer Token 进行。

c. 进行 API 调用：

利用 API 发送提示并接收来自 DeepSeek-R1 的响应。
DeepSeek API 文档中提供了详细的文档和示例。

DeepSeek API 调用示例

3. 在本地运行 DeepSeek-R1：

两种型号（R1 和 R1-Zero）：

硬件要求：完整模型由于其大小而需要大量硬件。建议使用具有大量 VRAM 的 GPU（如 Nvidia RTX 3090 或更高版本）。对于 CPU 使用，你至少需要 48GB 的 RAM 和 250GB 的磁盘空间，尽管如果没有 GPU 加速，性能会很慢。
精简模型：对于资源密集程度较低的硬件的本地部署，DeepSeek 提供了精简版本。这些模型的参数范围从 1.5B 到 70B，适合硬件较差的系统。例如，7B 模型可以在至少具有 6GB VRAM 的 GPU 上运行，或者在具有大约 4GB RAM 的 CPU 上运行（适用于 GGML/GGUF 格式）。

本地运行的软件工具：

将成为：

你可以使用Ollama在本地提供模型: (Ollama 是一种在你的机器上本地运行开源 AI 模型的工具。在此处获取：https: //ollama.com/download )

接下来，需要在本地提取并运行 DeepSeek R1 模型。

Ollama 提供不同尺寸的模型 — 基本上，更大的模型等于更智能的 AI，但需要更好的 GPU。以下是阵容：

1.5B version (smallest):
ollama run deepseek-r1:1.5b

8B version:
ollama run deepseek-r1:8b

14B version:
ollama run deepseek-r1:14b

32B version:
ollama run deepseek-r1:32b

70B version (biggest/smartest):
ollama run deepseek-r1:70b

要开始尝试 DeepSeek-R1，建议从较小的模型开始，以熟悉设置并确保与硬件的兼容性。你可以通过打开终端并执行以下命令来启动此过程：

ollama run deepseek-r1:8b

通过 Ollama 向本地下载的 DeepSeek-R1 发送请求：

Ollama 提供了一个 API 端点，用于以编程方式与 DeepSeek-R1 进行交互。在发出 API 请求之前，请确保 Ollama 服务器在本地运行。你可以通过运行以下命令来启动服务器：

ollama serve

一旦服务器处于活动状态，你就可以使用curl以下命令发送请求：


curl -X POST http://localhost:11434/api/generate -d '{
  "model": "deepseek-r1",
  "prompt": "Your question or prompt here"
}'

将其替换"Your question or prompt here"为你希望向模型提供的实际输入。此命令向本地 Ollama 服务器发送 POST 请求，该服务器使用指定的 DeepSeek-R1 模型处理提示并返回生成的响应。

在本地运行/访问模型的其他方法包括：

vLLM/SGLang：用于在本地提供模型。vllm serve deepseek-ai/DeepSeek-R1-Distill-Qwen-32B — tensor-parallel-size 2 — max-model-len 32768 — force-eager 等命令可用于精简版本。

llama.cpp：还可以使用 llama.cpp 在本地运行模型。

结论：

从 DeepSeek-R1-Zero 到 DeepSeek-R1 的这一进展代表了研究中重要的学习历程。虽然 DeepSeek-R1-Zero 证明了纯强化学习是可行的，但 DeepSeek-R1 展示了如何将监督学习与强化学习相结合来创建一个更强大、更实用的模型。

C++游戏服务器架构设计

微信名片