DeepSeek 热度持续，大家都在探索DeepSeek的使用场景，拓宽它的使用边界。在一些数据安全敏感的场景私有化部署是企业落地LLM的重要选项。本文将详细的讨论如何才能高性价比的完成DeepSeek的私有化部署，下面将以两个章节来讨论这个问题：第一章节定义一些大模型服务的性能指标，第二个章节评估私有化部署大模型的成本情况。

一，大模型的性能指标：

我们把评估大模型服务的指标体系分为两类： 一类是系统级别的指标，一类是个人用户体验的指标。

系统级别指标主要评估LLM服务的整体性能，这些指标都和成本相关。

吞吐量（Throughput）: 推理服务器每秒可为所有用户和请求生成的输出token数量。吞吐越高则单token成本越低。

并发数（Concurrency） ：系统在同一时间正在处理的请求数量，单台设备同一时间能服务的请求越多，单请求的成本越低。

个人用户体验的指标主要评估LLM服务的个人体验情况，可以视做SLO。

首token生成时间（Time To First Token，TTFT）：用户提交提示词（prompt）后开始看到模型输出的速度。较短的响应等待时间对于实时交互至关重要，但在离线工作负载中则不那么重要。该指标由处理提示词（prompt）并生成第一个输出令牌所需的时间决定。

单token 生成时间（Time Per Output Token，TPOT）：为每个用户生成单个token所需的时间。该指标直接影响用户对模型"速度"的感知。例如，100毫秒/token 的TPOT相当于每秒每个用户生成10个令牌，或约450词/分钟，这比普通人阅读速度更快。

从成本优化的角度看，我们希望吞吐量越大越好，从用户体验的角度看TTFT和TPOT 越小越好。这两个方向往往不能同时达到， 当并发增加时吞吐量提高，但是TPOT也会随之变大。所以实际部署中为了满足一定的TPOT，需要控制系统的并发上限，这个时候的吞吐量就是这个系统不触发SLA情况下能达到的系统吞吐量。

这里的性能分析使用roofline模型进行分析，我们也把roofline的分析指标分为两类：一类是算力平台指标，一类是模型相关的指标。

算力平台的指标主要评估的算力平台处理模型计算任务的能力，这些指标和系统瓶颈在哪里相关

算力 π ：为GPU一秒可以完成的浮点数计算量，是计算平台的性能上限，如 H100 FP16 是 989 FLOP/s

带宽 β ：为GPU一秒最大可以完成的内存交换量，是计算平台的带宽上限。如H100 是3.35 TB/s

计算强度上限 Imax ：GPU上单位内存交换最多可以完成多少次运算，以上两个指标相除即可得到计算强度。 比如H100 的计算强度就是 295。

模型相关的指标主要评估的是模型解码过程中需要计算资源，这些指标和模型如何部署相关

计算量：模型生成一个token所需要的浮点数运算个数，单机部署的模型参数越多，处理的序列越长计算量越大。

访存量：模型生成一个token所需要发生的内存交换总量，单机部署服务的请求越多，处理的序列越长访存量越大。

二，部署大模型的成本情况

为了确认大模型的成本我们首先需要根据业务场景的复杂程度来确认到底使用哪个模型，DeepSeek 最新发布的系列模型简要列于下表

模型	特点	备注
DeepSeek-V3 671B	擅长语文，聊天	综合能力强 成本高
DeepSeek-R1 671B	擅长写代码，做数学	综合能力强 成本高
DeepSeek-R1-Distill-Qwen-32B	擅长写代码，做数学，基于Qwen蒸馏，中文比较好	成本低 适合专项场景
DeepSeek-R1-Distill-Llama-70B	擅长写代码，做数学，基于Llama蒸馏，中文略差于Qwen	成本低 适合专项场景

根据DeepSeek的论文， 使用R1模型SFT的Distill模型，继续使用RL还可以增强其能力，阿里最新的QwQ 32B模型也证明了这个研究方向，在客观的benchmark评测中得分很高。

（deepseek 论文）

（QwQ-32B 评测结果）

整体来看小模型能力弱于大模型，但某些场景下小模型回答的准确性足够，比如简单一些的客服场景，某个领域的专业模型。

下面会以4090，H20 做为主要的加速卡来进行讨论，H20 明显的特征是：显存大；显存带宽高；GPU互联带宽大。非常适合做为LLM推理的加速卡。4090 受互联能力限制，单机8卡性价比超高（可根据第一章节来做推导）。

H20 参数如下：

RTX 4090 参数：

下表是价格评估（政策等原因，价格会随市场发生变化）

   如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​