
DeepSeek-R1 14b本地部署实战:系统概述与性能分析!
这篇文章测试14b模型,快速引导你完成在本地运行DeepSeek模型的安装过程,并分享一个在笔记本电脑上的性能测试供你参考。让我们开始吧。安装步骤下载Ollama:https://ollama.com/(可选)安装后,如果你想更改默认的Ollama模型目录,可以打开终端/命令提示符来进行更改。在这里,我将默认目录更改为E盘,考虑到存储问题。大型语言模型(LLM)会快速消耗大量空间,可能会占满你的C
前言
这篇文章测试14b模型,快速引导你完成在本地运行DeepSeek模型的安装过程,并分享一个在笔记本电脑上的性能测试供你参考。
让我们开始吧。
以下是我的笔记本系统概况:
安装步骤
-
下载Ollama:https://ollama.com/
-
(可选)安装后,如果你想更改默认的Ollama模型目录,可以打开终端/命令提示符来进行更改。因为我是Windows用户,我打开了命令提示符并执行了以下命令:
setx OLLAMA_MODELS E:\Yourpath\YourFolder
在这里,我将默认目录更改为E盘,考虑到存储问题。大型语言模型(LLM)会快速消耗大量空间,可能会占满你的C盘。为避免这种情况,我建议合理分区并尽量将大文件存放在C盘之外。
打开任务管理器并结束正在后台运行的ollama.exe进程。这个步骤在下载任何模型之前至关重要,它确保我们刚才所做的环境变量更改生效。
(如果你在更改目录时遇到问题,可以查看这个issue:https://github.com/ollama/ollama/issues/2551)
3. 访问 https://ollama.com/search 并选择 DeepSeek-r1
根据你的笔记本或台式机的GPU和内存,从下拉菜单中选择与你的系统配置匹配的选项。然后,复制右侧的命令并在命令提示符中执行。
在这里,我选择测试DeepSeek-r1 14b模型,看看我的笔记本(4070 8GB)表现如何。
测试
这是我进行的一个快速测试,目的是评估模型的利用率和性能:
提问:9.11和9.9,哪个数字更大?
模型处理大约用了62秒才完成并输出答案。查看一分钟的视频,实时性能表现如下:
结果总结
GPU利用率从6%上升至约30%,在会话期间达到48%的峰值。
CPU利用率在会话期间保持在30%到40%之间。
温度和CPU核心电压都保持在安全范围内。
(注意:英特尔芯片在高电压下有降级问题,因此需要验证你的型号是否受到影响。对于i7系列,桌面芯片如Intel Core i7-14700K(F)和13700K(F)报告遇到过此类问题。由于我的CPU是笔记本芯片(i7-14700HX),电压高达1.5V仍然被认为是安全的。)
在测试过程中,我的笔记本上运行了常用的应用程序(浏览器打开了20多个标签页、通信应用等)。
考虑到其性能,在笔记本上本地运行DeepSeek-r1 14b是完全可行的。
我认为本地运行模型有多个好处,尤其是在隐私、安全、成本效益和定制方面。
DeepSeek-r1使得LLM模型对普通用户来说更加实惠和可访问。
一、大模型风口已至:月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长,根据工信部最新数据:
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K(数据来源:BOSS直聘报告)
70%企业存在"能用模型不会调优"的痛点
真实案例:某二本机械专业学员,通过4个月系统学习,成功拿到某AI医疗公司大模型优化岗offer,薪资直接翻3倍!
二、如何学习大模型 AI ?
🔥AI取代的不是人类,而是不会用AI的人!麦肯锡最新报告显示:掌握AI工具的从业者生产效率提升47%,薪资溢价达34%!🚀
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
1️⃣ 提示词工程:把ChatGPT从玩具变成生产工具
2️⃣ RAG系统:让大模型精准输出行业知识
3️⃣ 智能体开发:用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你:
✔️ 大厂内部LLM落地手册(含58个真实案例)
✔️ 提示词设计模板库(覆盖12大应用场景)
✔️ 私藏学习路径图(0基础到项目实战仅需90天)
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
更多推荐
所有评论(0)