简话 DeepSeek 本地部署及接口调用

• 官网地址：Ollama，下载后双击运行即可完成安装。
• 该程序安装过程中，没有提供选择安装位置选项，因此只能安装到C盘，大概5G左右
  • 主程序位置：C:\Users\ml\AppData\Local\Programs\Ollama（4.56G）
  • 其它位置：
    • C:\Users\ml\.ollama：存放下载后的模型
    • C:\Users\ml\AppData\Local\Ollama：存放日志等文件

• 在管理员终端中运行命令（即前面一步从官网中复制好的命令）：
  • 命令：ollama run deepseek-r1:8b
• 等待拉取模型
• 成功后出现 “>>>” 的提示符，在此处输入你的问题回车就可以了

• 启动 Ollama 服务：ollama serve
• 查看当前模型列表：ollama list

如运行模型成功后可以提问：

回答如下：

<think> 好的，现在我需要帮助用户理解DeepSeek的V3和R1模型之间的区别。用户之前问过公司推出的大模型，但现在更具体地询问了V3和 R1的不同。 首先，我应该明确这两个模型各自的定位。V3可能是一个通用的大模型，而R1可能专注于特定的领域，比如知识检索或对话应用。这 有助于用户理解它们在不同的应用场景中的用途。 接下来，功能特点方面，我需要列出关键区别，如模型架构、训练目标、性能优化等。V3可能在通用性上更强，而R1则针对高效率和 准确率进行了优化。 用户可能的需求是评估这两个模型是否适合他们的项目，或者了解它们之间的优劣比较。我应该以简明扼要的方式呈现信息，帮助用 户快速做出决策。 最后，总结部分需要简洁明了地指出V3和R1各自适用的场景，这样用户可以根据自己的需求选择最合适的模型。 </think> DeepSeek 的 V3 和 R1 是两种不同的模型，它们在定位、功能特点和应用场景上有一些区别。以下是它们的主要区别： ### 1. **模型定位** - **V3**: DeepSeek V3 是一个通用的大模型，旨在提供全面的知识表示和广泛的多任务能力。它可以处理多种类型的问题，并 具备较强的生成、推理和理解能力。 - **R1**: DeepSeek R1 是一个专注于特定领域的模型，可能针对知识检索、对话生成或其他特定任务进行优化，提供更高效率 的解决方案。 --- ### 2. **功能特点** - **V3**: - 通用性强：支持多种任务，如问答、对话、文本摘要、图像描述等。 - 模型架构：可能基于大规模预训练数据，具备较强的语言理解能力。 - 性能优化：针对计算效率和推理速度进行了优化，使其能够在实际场景中快速响应。 - **R1**: - 任务专注：可能针对特定任务（如知识检索、对话生成）进行了深度优化，提升在这些任务中的性能。 - 高效率：可能在推理速度或资源消耗上有更大的优化，适合需要快速响应的场景。 - 定制化训练：可能针对特定领域或行业数据进行了定制化训练。 --- ### 3. **应用场景** - **V3**: 适用于多样化的任务，如问答系统、对话机器人、文本摘要等。 - **R1**: 可能专门为特定领域（如教育、医疗、金融）设计，适合需要高效率和准确性的场景。 --- ### 4. **总结** - 如果你需要一个通用的模型来处理多种任务，**V3** 可能是更好的选择。 - 如果你需要一个针对特定领域或任务优化的模型，**R1** 可能更适合你的需求。 希望这些信息对你有帮助！如果你还有其他问题，请随时问我。

• 安装：python -m pip install ollama_gui
• 运行：python -m ollama_gui

import requests # Ollama中提供的chat功能的API地址 url = 'http://127.0.0.1:11434/api/chat' # 要发送的数据 data = { "model": "deepseek-r1:8b", "messages": [{ "role": "user", "content": "北京的面积是多少？"}], "stream": False } # 发送POST请求 response = requests.post(url, json=data) # 打印模型的输出文本 print(response.json()["message"]["content"])