由于某些原因，在春节期间，deepseek 遭受了恶意的攻击，导致在撰写本文时，deepseek api 控制台仍未恢复访问。
笔者在实际使用过程中也常常遇到 DeepSeek 无法按预期生成有意义的回复，或者服务器繁忙的情况。
我们知道，DeepSeek 是一个开源的大型模型，其开源性质最显著的表现是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的是，DeepSeek 的 GitHub 仓库不仅包含模型权重文件，还详细披露了 transformer 架构的具体实现细节：
https://www.php.cn/link/75124124f25b1db7620476f6d70697fec61
项目中公开的 data_curation 模块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 模型非常容易在本地电脑或任何主流云端进行部署。
以腾讯 HAI 为例，在腾讯 HAI 上部署并运行 DeepSeek R1 模型，整个过程不会超过 5 分钟。
腾讯 HAI，全称 Hyper Application Inventor，是一款面向 AI 和科学计算的高性能 GPU 应用服务产品，提供即插即用的强大算力和常见环境。
HAI 的访问入口：
https://www.php.cn/link/d06ea3741c03e92e0e5f2f4ba8c288b0
点击“立即使用”：
新建算力资源：
在算力资源列表中，选择“社区应用”，排名第一的就是 DeepSeek-R1：
选择最基础的“GPU 基础型”算力，这种规格的算力为 8+ TFlops SP，其中 Flops 是 Floating Point Operations Per Second 的缩写，代表计算机每秒可以执行的浮点运算次数。
T 代表 10 的 12 次方，即一万亿，8 TFlops 即每秒 8 万亿次浮点运算，SP 即 Single Precision，单精度运算，表示计算机使用 32 位（4 字节）的浮点数进行计算。
算力资源只需两三分钟即可自动创建完成。
在创建好的实例中，预置了通过 Web 浏览器和终端命令行访问 DeepSeek R1 模型的“ChatbotUI”和“JupyterLab”。
ChatbotUI，即 Chatbot Ollama，是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 管理的模型进行互动。
Ollama 是一个开源框架，专为在本地运行大型语言模型而设计，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 的安装和配置工作完全隐藏起来，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与 DeepSeek 进行对话了。
在 Ollama Model 下拉菜单中，可以选择预置的 1.5b 或 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 PHP 中文网端的 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。
用一些稍微复杂的题目来测试：
DeepSeek 给出了令人满意的回答：
当然，腾讯 HAI 结合 DeepSeek 的本地部署场景，还有一些更高级的玩法，比如上传本地文件打造个人知识库，本公众号后续将继续介绍。
