DeepSeek本地部署完整版，附完整部署教程及下载资源包！1分钟搞定！

下载慢还得敲代码，打造“AI电脑”不容易

事实上，无论是不是DeepSeek，想要在自己电脑部署一个本地大模型，执行的步骤并不多，难点在于寻找到对应的资源和命令。但需要注意的一点是，本地大模型虽说是已经训练好的成品，但也需要有一定的硬件基础，体验才算得上好。

（图片来自Ollama）

首先，我们可以到Ollama官网下载一个桌面端应用，这个应用相当于一个承载本地大模型的“盒子”，除了DeepSeek之外，你可以在Ollama官网的模型库中找到许多开源大模型。

Ollama桌面端并不提供任何控制界面，想要将大模型下载到本地，需要在Ollama官网的模型库当中找到对应模型的代码，复制到PowerShell（Win+R输入PowerShell回车打开）当中，就可以执行模型数据的拉取和安装。

（图片来自网络）

小夏选的是DeepSeek-R1模型当中的7b版本，也就是带有70亿参数的DeepSeek-R1模型，占用4.7GB。本地大模型参数量越大自然是越好，可以提供更精准的语言理解和更高质量的文本生成能力，具备更强的逻辑推理和学习能力，同时知识储备和泛化能力。但本地大模型依赖电脑计算能力，每个人对大模型的需求不同，不应该“硬来”。

一般来说，运行1.5B参数的模型最低需要4GB显存的GPU以及16GB的内存，如果达不到要求，则会强行使用CPU进行计算，硬件负担更大，且推理的时间会更长。而满血版的DeepSeek-R1参数量为671b，体积达到404GB，需要更高规格的计算硬件才能负担得起，对于个人部署需求，小夏建议1.5b-8b参数最为适合。

（图片来自网络）

模型数据拉取完毕，系统则会自动执行安装，完成之后就可以直接在PowerShell窗口当中直接调取刚下载的DeepSeek-R1模型，输入框填写问题发送，本地大模型就会推理并生成。

DeepSeek版本介绍

模型参数规模	典型用途	CPU 建议	GPU 建议	内存建议 (RAM)	磁盘空间建议	适用场景
1.5b (15亿)	小型推理、轻量级任务	4核以上 (Intel i5 / AMD Ryzen 5)	可选，入门级 GPU (如 NVIDIA GTX 1650, 4GB 显存)	8GB	10GB 以上 SSD	小型 NLP 任务、文本生成、简单分类
7b (70亿)	中等推理、通用任务	6核以上 (Intel i7 / AMD Ryzen 7)	中端 GPU (如 NVIDIA RTX 3060, 12GB 显存)	16GB	20GB 以上 SSD	中等规模 NLP、对话系统、文本分析
14b (140亿)	中大型推理、复杂任务	8核以上 (Intel i9 / AMD Ryzen 9)	高端 GPU (如 NVIDIA RTX 3090, 24GB 显存)	32GB	50GB 以上 SSD	复杂 NLP、多轮对话、知识问答
32b (320亿)	大型推理、高性能任务	12核以上 (Intel Xeon / AMD Threadripper)	高性能 GPU (如 NVIDIA A100, 40GB 显存)	64GB	100GB 以上 SSD	大规模 NLP、多模态任务、研究用途
70b (700亿)	超大规模推理、研究任务	16核以上 (服务器级 CPU)	多 GPU 并行 (如 2x NVIDIA A100, 80GB 显存)	128GB	200GB 以上 SSD	超大规模模型、研究、企业级应用
671b (6710亿)	超大规模训练、企业级任务	服务器级 CPU (如 AMD EPYC / Intel Xeon)	多 GPU 集群 (如 8x NVIDIA A100, 320GB 显存)	256GB 或更高	1TB 以上 NVMe SSD	超大规模训练、企业级 AI 平台

到这里，DeepSeek-R1本地大模型的部署就完成了，理论上大家也可以根据这样的方法去部署其它大模型上电脑。

但每次开启电脑都要打开PowerShell界面才能激活大模型，对于普通用户而言并不方便，这个时候我们需要给DeepSeek-R1安装一套更直观的交互界面。小夏选择了在Docker应用（图标是一个蓝色海豚）上添加一个Open-WebUI组件，让DeepSeek-R1可以通过浏览器界面交互，并赋予它联系上下文的能力。

具体来看，需要先下载Docker桌面端，按照默认的引导完成安装之后（可跳过账号注册等步骤），再次打开PowerShell界面复制并执行以下这条指令，小夏帮大家省下去Github查找的时间了：

 

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:main

 

如果是使用NVIDIA GPU的小伙伴，则需要使用以下这条指令：

 

docker run -d -p 3000:8080 --gpus all --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:cuda

 

拉取大模型文件和Open WebUI组件需要一个比较漫长的过程，尤其是网络不太理想（或者没有科x上网）的环境，下载器会不断重试/切换线路，出现下载进度丢失的问题。

安装完成之后，Docker应用中就会出现一个Open-WebUI的相关组件，把它勾选启动，再点击“3000:8080”字样的链接，系统就会跳转到网页。

（图片来自网络）

这个时候，你就获得了一台带有AI本地大模型的真正的“AI电脑”了。

小夏体验了整个部署过程，步骤并不算复杂，系统的数据拉取和安装都是自动化的，主要还是在搜索命令行和安装资源，以及拉取和安装组件时花了比较多的时间，Ollama和Docker都可以通过百度搜索到，小夏也在上面提供了对应的跳转链接，动手能力且有兴趣的各位可以尝试尝试。

 

附资源包：

pocketpal-ai APK文件：
https://pan.quark.cn/s/f0a986d9bf8b

pocketpal-ai GitHub：
https://github.com/a-ghorbani/pocketpal-ai

DeepSeek R1 1.5B Q4模型文件：
https://pan.quark.cn/s/2dbde83928e2

DeepSeek R1 1.5B Q8模型文件：
https://pan.quark.cn/s/9b17e6cfcb37

今天就分享到这里，希望对你们有帮助！感恩遇见！感谢有你们！码字不易，如果喜欢希望能够“点赞➕收藏➕关注”，我们建了一个免费技术/软件资源分享群、大家一起交流！可直接扫下面二维码添加我+deepseek400，请备注{技术}拉你入群，希望可以帮到你！

声明：

1、2群已满500人！

3群刚开始筹建，满200人后不在邀请新群友【有想一块交流的可以赶快】

添加请备注来意

（禁广告！禁广告！禁广告！发现秒踢拉黑！）