这是一个创建于 331 天前的主题，其中的信息可能已经有所发展或是发生改变。
https://snowkylin.github.io/blogs/a-note-on-deepseek-r1.html
（以下介绍就是 DeepSeek R1 写的，我觉得还挺厉害的，我是写不出来……）
测试模型：
1.73-bit 量化版（ 158GB ，每秒 7-8 个词）
4-bit 量化版（ 404GB ，每秒 2-4 个词）
硬件需求：
1.73-bit：内存+显存 ≥ 200GB
4-bit：内存+显存 ≥ 500GB
实测配置：4 块 RTX4090 显卡（ 96G 显存） + 384G DDR5 内存
性能对比：
短文本生成：1.73-bit 速度碾压，长文本会卡到 1-2 词/秒
瓶颈竟是 CPU 和内存，GPU 全程摸鱼（利用率 1-3% ）
模型性格差异：
1.73-bit：毒舌傲娇，敢怼 ChatGPT：
“哼！还在用老古董 ChatGPT ？() 我的训练费可没烧穿钱包！”
4-bit：安全标兵，拒绝一切危险发言，全程官方脸
部署步骤：
下载+合并 GGUF 文件
装 Ollama + 调参数（ GPU 分层加载）
跑模型，内存炸了？减层数！
可选：搭配 OpenWebUI 变身高配版 ChatGPT ！
总结：
1.73-bit 版性价比超高，适合短平快任务！长对话会变树懒…
完整教程在博客，硬核玩家速来试试！
（以下介绍就是 DeepSeek R1 写的，我觉得还挺厉害的，我是写不出来……）
测试模型：
1.73-bit 量化版（ 158GB ，每秒 7-8 个词）
4-bit 量化版（ 404GB ，每秒 2-4 个词）
硬件需求：
1.73-bit：内存+显存 ≥ 200GB
4-bit：内存+显存 ≥ 500GB
实测配置：4 块 RTX4090 显卡（ 96G 显存） + 384G DDR5 内存
性能对比：
短文本生成：1.73-bit 速度碾压，长文本会卡到 1-2 词/秒
瓶颈竟是 CPU 和内存，GPU 全程摸鱼（利用率 1-3% ）
模型性格差异：
1.73-bit：毒舌傲娇，敢怼 ChatGPT：
“哼！还在用老古董 ChatGPT ？() 我的训练费可没烧穿钱包！”
4-bit：安全标兵，拒绝一切危险发言，全程官方脸
部署步骤：
下载+合并 GGUF 文件
装 Ollama + 调参数（ GPU 分层加载）
跑模型，内存炸了？减层数！
可选：搭配 OpenWebUI 变身高配版 ChatGPT ！
总结：
1.73-bit 版性价比超高，适合短平快任务！长对话会变树懒…
完整教程在博客，硬核玩家速来试试！
第 1 条附言 330 天前
 | 1 fcten 331 天前  1 MoE 模型的主要瓶颈在于内存/显存带宽，对算力的要求比较小。你的这个配置的瓶颈全在内存带宽上，GPU 妥妥打酱油。 用 24 通道的双路服务器主板，纯 CPU 跑 Q8 量化的模型也能达到 6 ～ 8 token/s 的速度。可以参考： https://x.com/carrigmat/status/1884244369907278106 |
 | 2 snowkylin OP @fcten 是的，所以我在正文里写了，文中测试的这套配置对于跑大规模 LLM 推理并不是最有性价比的（我用这个只是因为我手上刚好有，主要是做训练用）。如果纯做 LLM 推理，目前最有性价比的新机方案我觉得可能是高配大内存的 Mac Studio 。 https://x.com/ggerganov/status/1884358147403571466 |
 | 3 vpsvps 331 天前 via iPhone 请问 1.73-bit 量化版（ 158GB 大小的模型） 一个 4090 24G 加上 160G 内存 可以跑起来吗？ 不是需要 7 块 4090 吗？ |
| 5 vpsvps 331 天前 via iPhone @snowkylin #4 谢谢回复，用 ollama 就可以吧，显存用完就会调用内存， 比如 我的服务器有 8 块 4090 ，内存 640G ，能跑得动 671b 404GB 这个，就是速度慢点是吧？ |
 | 6 snowkylin OP |
 | 7 BanShe 330 天前 马克一下。我缺显卡 |
 | 8 googlefans 330 天前 出个教程 |
| 9 vpsvps 330 天前 via iPhone @snowkylin #6 ，这种方式是不是不能直接使用 ollama run deepseek-r1:671b 从 ollama 上下载，404G 的，而需要在 huginnface 上下载？ Download the model files (.gguf) from HuggingFace (better with a downloader, I use XDM), then merge the seperated files into one |
| 10 snowkylin OP 1 @vpsvps 我没试过直接用 ollama 下载，不太确定，以及这个是 unsloth ai 出的动态量化版本，目前我只看到 huggingface 上有 |
 | 11 erek 330 天前 抱歉，一块 显卡都没有 T T |
 | 12 uncat 330 天前 > 我的服务器有 8 块 4090 ，内存 640G ，能跑得动 671b 404GB 这个吗？ 可以跑得动，跟你类似的配置，8 * 4090 + 512G 内存。Ollama 671B Q4 ，回答问题，短的 10s ，长的 20 - 30s 的样子。体验较差。 实际显存+内存总共：180 - 200G 。 ollama 现在会因为显存分配策略问题导致无法启动，需要 dump 出 Modefile 后手动添加 parameter num_gpu 为显卡数量 * 2 |
| 14 vpsvps 330 天前 @uncat 谢谢回复，是直接 ollama run deepseek-r1:671b 这个就行吗？这个简单些。huginnface 上的版本还得合并，比较麻烦，您说的是指用 unsloth/DeepSeek-R1-GGUF 这个模型文件吗 |
| 15 uncat 330 天前 > 是直接 ollama run deepseek-r1:671b 这个就行吗？ 先 ollama pull deepseek-r1:671b 拉下来后，保存 modefile 到本地，添加 num_gpu 参数后再重新导入即可。 参考这个： https://github.com/ollama/ollama/issues/6950#issuecomment-2373663650 @vpsvps |
| 16 uncat 330 天前 1. ollama pull deepseek-r1:671b 2. ollama show --modelfile deepseek-r1:671b | sed -e 's/^FROM.*/FROM deepseek-r1:671b/' > Modelfile 3. echo "PARAMETER num_gpu 0" >> Modelfile 4. ollama create deepseek-r1:671b-custom 第 3 步，将 0 替换为 2 （假设你是 24G 显存的显卡，实际显存除以 9 取整数商） |
 | 19 TUCANA 330 天前 这个介绍适合发小红书 |
| 20 snowkylin OP |
 | 21 zhyim 323 天前 8 张 H100 和 2T 内存能跑完整版的 R1 吗？ CPU 好像是 192 核的不知道啥型号 |
 | 24 lifechan 309 天前 via Android 一下，跑做得小 20W ？ |
Select Language