手把手教你在 NAS 上部署本地 DeepSeek-R1 大语言模型

Hello 大家好，我是 David

订阅我的频道 ，分享更多 NAS 教程和资讯 ~

Ollama：

一个用于在本地运行大型语言模型（LLM）的开源框架

安装

Docker Compose

services: ollama: image: ollama/ollama:latest container_name: ollama volumes: - /vol1/1000/docker/ollama:/root/.ollama ports: - "11434:11434"

TIP：

上面配置是纯 CPU 运行，如果要使用 GPU（Nvidia/AMD）自行看文档配置

https://hub.docker.com/r/ollama/ollama

使用

浏览器中输入 http://NAS的IP:11434 正常情况显示运行中

TIP：

上面部署的这个只是一个本地运行的框架，下面还需要下载模型才可以运行。如果需要美观的 UI 界面，还需要另外安装其他应用配合。

下载模型

来到 Ollama 官网：https://ollama.com

下载模型，点击右上角“Model”

可以看到目前最火的“deepseek-r1”模型

点击进入查看详情

TIP：

- 7b 大小的模型通常至少需要 8GB RAM

- 13b 大小的模型通常至少需要 16GB RAM

- 33b 大小的模型通常至少需要 32GB RAM

- 70b 大小的模型通常需要至少 64GB RAM

这里可以选择模型大小，不指定的话默认是 7B

复制旁边的代码

打开 Ollama 的终端

TIP：

下载到最后快完成的时候会很慢，不要关闭弹窗不然就看不到进度

拉取 deepseek-r1 模型

ollama run deepseek-r1

模型下载完成，自动就会进入模型可以对话

简单使用

因为没有UI界面，所以还是在这个控制台界面操作

列出模型

ollama list

前面部分就是模型名称，后面是版本标签

运行模型

ollama run 模型名称:版本标签

可以直接输入问题，回车确认

hello world!

中文也是没问题的，而且也有思考的过程

简单测试

测试机器处理器是 i5-1235U，内存 40GB 4800MHz，运行 deepseek-r1:7b 模型

输入“hello world!”，回答完毕需要大概 9 秒比较流畅，速度要比想象中快很多

资源占用情况，没有加载模型前

资源占用情况，加载模型以后

资源占用情况，回复问题时

这里我还试了一下 14b 的模型

ollama run deepseek-r1:14b

输入“hello world!”，回答完毕需要大概 14 秒，能明显感觉到卡顿，不太建议用 CPU 跑了

和 7b 对比，两者对 CPU 压力差不多，主要还是内存占用不同

总结

部署和使用其实还是很方便的，没有遇到什么问题，小白也可以轻松上手。本地部署大模型的好处就是不需要联网，数据相当比较安全。虽然运行小模型对设备要求不算太高，但想要有一个比较好的体验还是直接调用官方 API 是最便捷高效的。

综合推荐：⭐⭐⭐⭐（还是挺有意思的）

使用体验：⭐⭐⭐⭐（挺不错的）

部署难易：⭐⭐（简单）︎