使用腾讯 HAI 5 分钟内部署一个私人定制的 DeepSeek

过年期间，因为众所周知的原因，DeepSeek 受到了居心叵测的攻击。在这篇文章写作之时，DeepSeek API 控制台仍然没有恢复访问。

近期在笔者实际使用过程中，也经常遇到 DeepSeek 没能按照期望生成任何有意义的回复，或者服务器繁忙的情况。

我们知道 DeepSeek 是一个开源的大模型，其开源特性最直观体现在其完整公开的模型架构设计。

与闭源模型的黑箱特性形成鲜明对比，DeepSeek GitHub 仓库中不仅包含模型权重文件，更完整披露了 transformer 架构的具体实现细节：

https://github.com/deepseek-ai/DeepSeek-R1

项目公开的 data_curation 模块也展示了从原始网页数据到高质量训练数据的完整处理流程。

这一切使得 DeepSeek 模型非常易于部署在本地电脑或者一切主流的云上。

以腾讯 HAI 为例，让 DeepSeek R1 模型部署并运行在腾讯 HAI 上，整个流程不超过 5 分钟。

腾讯 HAI，全称 Hyper Application Inventor，高性能应用服务，是一款面向 AI 、科学计算 的 GPU 应用服务产品，提供即插即用的澎湃算力与常见环境。

HAI 的访问入口：

https://cloud.tencent.com/product/hai

点击立即使用：

新建算力资源：

在算力资源列表，选择「社区应用」，排名第一的就是 DeepSeek-R1：

算力资源选择最基础的 「GPU 基础型」即可，这种规格的算力为 8+ TFlops SP，其中 Flops 是 Floating Point Operations Per Second 的缩写，它表示计算机每秒可以执行的浮点运算次数。

T 代表 10 的12次方即一万亿，8TFlops 即每秒 8 万亿次浮点运算，SP 即 Single Precision，单精度运算，代表计算机使用 32-bit（4 字节）的浮点数进行计算。

算力资源只需要两三分钟即可自动创建完毕。

创建好的实例中，预置了分别以 Web 浏览器方式和终端命令行方式访问 DeepSeek R1 模型的 「ChatbotUI」和「JupyterLab」.

ChatbotUI 即 Chatbot Ollama，一个开源的聊天用户界面，专门为 Ollama 模型设计，基于 chatbot-ui 项目。 

它旨在为用户提供一个简洁、高效的交互平台，以便更好地与 Ollama 管理的模型进行交互。

Ollama 是一个开源框架，专门设计用于在本地运行大型语言模型，其主要特点是将模型权重、配置和数据捆绑到一个包中，从而优化了设置和配置细节，包括 GPU 使用情况，简化了在本地运行大型模型的过程。

腾讯 HAI 将 Ollama 安装和配置工作为用户全部隐藏起来，只需在上图展示的 HAI 算力资源创建页面新建算力，就能立即得到「开箱即用」的 DeepSeek R1 模型应用。

点击「ChatbotUI」，会自动打开一个浏览器窗口，我们就可以在这个窗口里，同腾讯 HAI 上部署好的 DeepSeek 进行交谈了。

Ollama Model 下拉菜单里，可以选择预置的 1.5b 或者 7b 模型。

b 即 billion，1.5b 代表模型参数为 15 亿个，7b 则代表 70 亿个模型参数。

7b 模型由于拥有更多的参数，能够捕捉到更复杂的特征，因此在处理复杂任务时，通常比 1.5B 模型表现更优异。比如在需要深度理解和推理的任务中，7b 模型可以提供更准确详细的回答。

另一方面由于参数数量的增加，7b 模型对硬件配置的要求更高，在运行时需要更多的计算资源。根据 Ollama 官方提供的信息，7B 模型的大小约为 4.68 GB，而 1.5B 模型约为 1.1 GB.

当然，因为我们使用了腾讯云端的 HAI，使用这些模型，不会给本地电脑浏览器端产生任何额外的负载。  

在这个浏览器窗口里，可以通过滑动条对 DeepSeek 的 Temperature(温度)参数进行调整。Temperature 越低，模型的输出越确定，生成的文本更加保守和可预测。反之，较高的 Temperature 会使输出更加随机、多样化，但也可能导致回答的质量下降。

用一些稍稍复杂一些的题目来测试：

请你扮演一位资深的数学家，一个楼梯共有八级台阶，规定每步可以迈一级台阶或者两级台阶，最多可以迈三级台阶。从地面到最上面一级台阶，一共有多少种不同的迈法？请你给出详细的分析和解答思路。

DeepSeek 给出了令人满意的回答：