本地部署deepseek开源模型需完成五步：一、确认gpu显存、cuda 12.1+及python 3.10/3.11；二、从hugging face下载适配的gguf或pytorch权重；三、用llama.cpp运行gguf模型；四、用transformers+autogptq加载量化模型；五、用fastapi封装为openai兼容http服务。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
如果您希望在本地运行DeepSeek开源模型，避免持续支付API调用费用，则需要完成模型下载、环境配置、推理服务启动等关键环节。以下是实现本地部署的具体步骤：
一、确认硬件与系统要求
本地部署DeepSeek模型依赖于足够的显存和兼容的CUDA环境，不同规模模型对GPU资源需求差异显著，需提前评估设备能力以匹配对应版本。
1、执行 nvidia-smi 命令查看GPU型号及可用显存容量。
2、确认系统已安装 CUDA 12.1 或更高版本 及配套的cuDNN库。
3、检查Python版本是否为 3.10 或 3.11，不支持Python 3.12及以上版本。
二、下载模型权重文件
DeepSeek官方在Hugging Face提供多个量化与非量化版本的模型权重，选择适配本地硬件的版本可显著降低显存占用并提升推理速度。
1、访问 https://huggingface.co/deepseek-ai 页面，查找 DeepSeek-VL 或 DeepSeek-Coder 对应仓库。
2、点击 Files and versions 标签页，筛选含 Q4_K_M、Q5_K_S 等字样的GGUF格式文件（适用于llama.cpp）或 pytorch_model.bin（适用于transformers）。
3、使用 git lfs install && git clone 命令克隆仓库，或直接通过 huggingface-hub Python包调用 snapshot_download 下载指定版本。
三、使用llama.cpp运行GGUF模型
llama.cpp提供纯C/C++实现的轻量级推理引擎，无需PyTorch依赖，适合中低显存GPU或仅CPU环境部署。
1、从GitHub克隆最新版llama.cpp：git clone https://github.com/ggerganov/llama.cpp。
2、进入目录后执行 make clean && make -j 编译，若启用CUDA加速则添加 LLAMA_CUDA=1 环境变量。
3、将下载的GGUF模型文件复制至 llama.cpp/models/ 目录下。
4、运行推理命令：./main -m models/deepseek-coder-6.7b-instruct.Q5_K_S.gguf -p "写一个Python函数计算斐波那契数列"。
四、使用Transformers+AutoGPTQ加载量化模型
该方式保留完整PyTorch生态支持，适用于需微调、LoRA适配或集成到Web UI的场景，依赖GPU显存不低于8GB。
1、安装必要依赖：pip install transformers accelerate auto-gptq optimum。
2、加载模型时指定 device_map="auto" 和 use_safetensors=True 参数，自动分配显存与加载安全张量。
3、调用 model.generate() 时设置 max_new_tokens=512 与 temperature=0.7 控制输出长度与随机性。
五、搭建FastAPI推理服务接口
将模型封装为HTTP服务后，即可通过curl或前端应用直接调用，替代原有API请求路径，彻底规避第三方计费。
1、创建 app.py 文件，导入 FastAPI、transformers 和 torch。
2、在启动时加载模型与分词器，设置 torch.inference_mode() 并禁用梯度计算以节省显存。
3、定义POST接口 /v1/chat/completions，接收JSON格式的messages字段，返回标准OpenAI兼容响应结构。
4、执行 uvicorn app:app --host 0.0.0.0 --port 8000 --reload 启动服务，本地即可通过 http://127.0.0.1:8000 访问。
