2025最新版DeepSeek保姆级安装教程：本地部署+避坑指南

本文旨在提供一个全面且详细的DeepSeek本地部署指南，帮助大家在自己的设备上成功运行DeepSeek模型。无论你是AI领域的初学者还是经验丰富的开发者，都能通过本文的指导，轻松完成DeepSeek的本地部署。

一、本地部署的适用场景

每当有新的语言模型公开发布时，我总会忍不住拿它来做一些看似简单、实则暗藏难点的小测试。我把这当作给模型做“压力测试”，用来检验它们在逻辑推理上到底行不行。

DeepSeek R-1 刚发布不久，就因为它是开源、且推理能力强大而备受关注。基准测试显示，DeepSeek R-1 在很多场景下能与一些封闭的商业模型（比如 OpenAI 的 o1 或 Anthropic 的 Claude 3.5 Sonnet）相媲美，甚至表现更好。

既然 DeepSeek R-1 的推理能力如此被看好，我就想拿以下 5 个“刁钻”问题考考它，看看它能不能顺利通过：

1. “strawberry” 这个单词里有几个 “r”？

2. 列出 5 个国家名称，其中在第 3 个字母位置出现“A”。

3. 比较 9.9 和 9.11，哪个更大？

4. 0.1 + 0.2 等于多少？

5. Alice 有四个兄弟，还另有一个姐妹。问：Alice 的兄弟共有几个姐妹？

一起来看看 DeepSeek R-1 的表现如何！

1. “strawberry” 里有几个字母 “r”？

当初我测 OpenAI 的早期模型（比如 GPT-4o）时，发现它在这种简单的字母计数问题上有时会出错。乍一看，这类问题对 AI 来说应该很容易，但 AI 有时就是会犯一些莫名其妙的错误。

我把同样的问题抛给了 DeepSeek R-1，结果它的回答是正确的：单词 “strawberry” 一共包含 3 个 “r”。虽然题目很简单，但能体现出模型对最基本的模式识别和文本处理是否扎实。

下面是deepseek的回答：

2. 列出 5 个国家，名字中第 3 个字母是 “A”

很多模型在这个问题上会阴沟翻船。比如，我之前用 GPT-4o 和 o1 的早期版本，得到的回答里常出现 “Japan” 这类不符合要求的国家，因为它们忽略了第 3 个字母实际是 “p” 而非 “a”。

测试 DeepSeek R-1 后，它轻松列出了 5 个符合条件的国家，没有出错。值得一提的是，我后面又用最新版本的 o1（通过 ChatGPT）做同样的测试，这次它也答对了，可见不断更新的模型在修复之前的错误。

下面是 DeepSeek的回答：

3. 谁更大：9.9 还是 9.11？

这是另一个看似简单、却能让早期 GPT-4 版本“跌倒”的题目。很多人看到 9.9 和 9.11 可能会下意识被小数点后位数误导，尤其对于某些模型而言，它们初期不擅长处理这类数字比较的问题。

DeepSeek R-1 在这个问题上表现不错，给出了正确答案，并且还详细解释了为什么 9.11 小于 9.9（从数值大小比较，而不是把它当做日期或版本号对比）。它甚至给出了一些示例，帮助你理解数值排序的原理。

4. 0.1 + 0.2 等于多少？

别小看这道加法题，不少 AI 模型都曾在这里犯错。浮点数在计算机内部的二进制表示并不精确，常常会出现 0.30000000000000004 之类的“经典错误”。

我用这个问题考 DeepSeek R-1，它给出的答案是 0.3，并没有出现那些多余的浮点尾数。对于那些老是回答 0.30000000000000004 的模型来说，这道题是考察它们是否能识别并处理计算机浮点误差的好方法。

为什么会出现 0.30000000000000004？
因为 0.1 和 0.2 在计算机中的二进制形式都无法精准表示，二者相加后再转换回十进制，就会多出一点小误差。

5. Alice 有四个兄弟，还有一个姐妹。Alice 的兄弟共有几个姐妹？

很多人第一反应都是：Alice 自己就是一个姐妹？再加上另一个姐妹？于是结果是兄弟们有 2 个姐妹。但有些模型就会漏算，可能只算成 1 个姐妹。

DeepSeek R-1 给出的结论是正确的：每个兄弟都有 2 个姐妹（Alice 和那位额外的姐妹）。更有意思的是，DeepSeek R-1 还展示了它的推理过程，先理清家庭成员，再总结兄弟所拥有的姐妹数量。曾经 GPT-4o 之类的模型也可能在这种地方掉链子。
当然，目前 o1 配备了更好的推理能力，也可以答对，但这更说明在某些场景下，必须让 AI 做“多步逻辑推理”来得到正确答案。

总结

DeepSeek R-1 在这 5 道小测试里都表现得非常出色，能给出正确答案并提供了清晰的解释。从这些小测试可以看出，它确实具备一定的深层思考与推理能力。尽管它还无法宣称要全面取代更成熟的商业大模型（像 o1 或 Claude 3.5），但这次测试结果证明它确实是个强有力的竞争者。

对那些在乎成本或喜欢开源方案的人来说，DeepSeek R-1 是个非常值得关注的模型，它用较低成本就能提供不错的推理性能。
如果你也想测测自己最常用的聊天机器人或语言模型，不妨尝试以上 5 个问题，看它们是不是能准确回答。或者，如果你还有更多让 AI 容易出错的题目，欢迎在评论里分享，让我们一起看看这些模型到底能走多远！

DeepSeek本地部署适合以下场景：

• 高性能硬件配置：如果你的电脑配置较高，特别是拥有独立显卡和足够的存储空间，那么本地部署将能充分利用这些硬件资源。

• 数据安全需求：对于需要处理敏感数据的用户，本地部署可以避免数据上传至云端，确保数据的安全性和隐私性。

• 高频任务处理：对于需要频繁处理大量或复杂任务的用户，本地部署能提供更高的灵活性和响应速度。

• 成本控制：对于日常使用量大、API调用费用较高的用户，本地部署能显著降低运行成本。

• 个性化需求：本地部署允许用户对模型进行二次开发和定制，满足特定的应用场景和需求。

三、环境准备与依赖安装

1. 硬件要求

• 操作系统：推荐Linux（如Ubuntu 20.04及以上版本）或Windows系统。

• Python版本：需要安装Python 3.8及以上版本。

• GPU支持：需要支持CUDA的NVIDIA GPU，推荐显存16GB及以上。

2.硬件配置

2. 软件依赖

• CUDA与CUDNN：根据NVIDIA GPU型号和驱动版本，安装合适的CUDA（11.2及以上版本）和CUDNN（8.1及以上版本）。

3. 安装步骤

更新系统（Linux为例）

sudo apt-get update1.

安装必要依赖

sudo apt-get install -y python3-pip python3-dev python3-venv git1.

创建并激活虚拟环境

python3 -m venv deepseek-env
source deepseek-env/bin/activate1.2.

安装PyTorch

根据CUDA版本选择合适的PyTorch安装命令。例如，CUDA 11.2的安装命令如下：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu1121.

四、DeepSeek模型下载与部署

1. 克隆DeepSeek代码库

git clone https://github.com/deepseek-ai/deepseek.git
cd deepseek1.2.

2. 安装项目依赖

pip install -r requirements.txt1.

3. 下载并放置预训练模型

从官方提供的链接下载DeepSeek预训练模型权重，并将其放置在models/目录下。

wget [官方链接] -O models/deepseek_model.pth1.

4. 配置环境变量

设置模型路径和GPU设备号等环境变量

export MODEL_PATH=models/deepseek_model.pth
export CUDA_VISIBLE_DEVICES=01.2.

5. 运行模型

使用以下命令启动DeepSeek模型进行推理或训练。

python run.py --model_path $MODEL_PATH --input "你的输入文本"1.

五、简化部署方案：使用Ollama

对于初学者或不希望手动配置环境的用户，可以使用Ollama工具简化DeepSeek的本地部署过程。

1.下载安装Ollama

在本地部署DeepSeek会使用到Ollama，所以，需要现在本地下载安装Ollama。

Ollama官方地址：https://ollama.com

小伙伴们可以根据自己的需要下载MacOS、Linux和Windows版本的Ollama，由于冰河目前使用的是Windows系统，所以，这里我下载的是Windows版本的Ollama。

下载后在本地安装Ollama。

2.下载DeepSeek-R1

（1）定位Models

进入Ollama官网，找到Models。

（2）找到DeepSeek-R1模型

（3）选择对应的模型下载

DeepSeek-R1有很多不同的版本可供下载，例如1.5b、7b、8b、14b、32b、70b或671b，版本越高，模型越大，对于电脑的内存、显卡等资源的配置要求就越高。

这里为了方便安装演示，我先给大家演示如何部署8b的模型。后续带着大家在服务上部署更高版本的模型。

进入DeepSeek-R1模型的详情，选择8b模型，如下所示。

（4）打开电脑终端

以管理员身份打开电脑终端，如下所示。

（5）部署8b模型

首先，如下图所示复制8b模型的代码。

随后，将其粘贴到命令行终端，如下所示。

如果出现下图所示的进度，则说明正在下载模型。

等待一段时间，如果出现success字样，则说明部署成功，如下所示。

部署成功后，我们可以试着在命令行发送一条消息给DeepSeek，这里我发送一个“你好”给DeepSeek。

可以看到，向DeepSeek发送你好后，它也回复了一段内容。

至此，我们就可以和DeepSeek在命令行进行对话了。不过，只是在命令行与DeepSeek对话，那就显得有点不怎么方便了，所以，我们继续部署Chatbox。

3.安装Chatbox

通过部署Chatbox，我们可以使用在网页或者客户端与DeepSeek进行交互。Chatbox的安装步骤如下所示。

（1）下载安装Chatbox

Chatbox官网：https://chatboxai.app/zh

直接进入官网下载客户端，如下所示。

下载完成后，双击进行安装即可。

（2）配置DeepSeek-R1模型

打开Chatbox，选择设置—>Ollama API，如下所示。

选择已经安装好的DeepSeek-R1 8b模型，进行保存。

等待部署完成，就可以在Chatbox页面中与DeepSeek进行对话了。

六、安装Open-WebUI

1.安装Docker

安装Open-WebUI前，我们可以先安装Docker。进入Docker官网：https://www.docker.com，下载Docker。

下载后安装到自己电脑即可。

2.安装open-webui

如果是在Linux系统下，则可以打开命令行，输入以下命令安装 Open-WebUI。

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:main1.

安装完成后，打开浏览器，访问 http://localhost:3000，注册一个账号并登录，即可进入open-webui。

在界面左上角选择对应的模型，即可开始对话。

如果是Windows系统，则在浏览器搜索Open-WebUI，进入官网，并复制下图所示的命令。

随后打开Windows命令行，输入复制的命令后等待安装完成。

安装完成后，打开浏览器，访问 http://localhost:3000，注册一个账号并登录，即可进入open-webui。

七、常见问题解决方案