DeepSeek总是崩？教你本地部署离线DeepSeek R1，保姆级教程

最近DeepSeek由于受到大量DDOS攻击，加上访问过热，总是会出现服务器繁忙、无法加载的情况，于是乎我测试在本地电脑部署DeepSeek R1模型，居然测试成功了，而且速度并不比APP慢。

下面会讲到部署本地LLM（大模型）需要的软件，以及相应的电脑配置，这里以DeepSeeK R1各种版本为例。

软件配置

我选择了Ollama作为本地运行LLM的工具，这是一个非常出名的开源软件，Github上有12万Star，主要用来在本地电脑设备下载、部署和使用LLM。

Ollama提供了丰富的LLM库用于下载，比如llama、qwen、mistral以及这次要使用的deepseek r1，而且有不同的参数规模用于选择，适配不同性能的电脑设备。

Ollama虽然支持直接使用LLM，但是仅能在命令行来对话，交互功能不尽人意，所以我会使用Cherry-studio来作为前端交互，以Ollama作为后台，来和LLM对话，这就和日常使用的DeepSeek APP类似了。

Ollama交互界面：

Cherry-studio交互界面：

电脑配置要求

很多人担心在本地部署DeepSeek R1，是不是对电脑性能有很高要求，比如CPU、GPU、内存等。

其实不用担心，不同参数规模的模型对电脑性能要求不一样，部署DeepSeek R1 8B规模以下的模型不需要独显也可以运行。

我部署的是7B模型，电脑系统windows 11，配置CPU Intel® Core™ i7-12650H 2.30 GHz，内存16GB，没有独显。

这里科普下，LLM参数规模是指什么，所谓7B是指该模型大约有 70 亿（7 Billion）个参数，参数代表里模型训练过程中需要学习的数值，参数越多，模型能够理解更复杂的信息，给出的回答也越准确和全面。

以下是基本的要求，可以对号入座。

R1模型版本	CPU	GPU	内存	存储
1.5B	In