从下载到调用：DeepSeek-R1轻量化模型完整使用手册

随着大模型在边缘设备和本地化部署场景中的需求日益增长，轻量化、高效率的推理方案成为开发者关注的重点。DeepSeek-R1-Distill-Qwen-1.5B 作为 DeepSeek 团队推出的蒸馏优化版本，在保持较高推理能力的同时显著降低了资源消耗，非常适合在中低端 GPU 或本地开发环境中部署。

本文将围绕DeepSeek-R1-Distill-Qwen-1.5B镜像，系统性地介绍从环境准备、模型下载、服务启动到 API 调用的全流程，帮助开发者快速上手并实现本地化部署与集成。

1. 模型简介与核心特性

1.1 DeepSeek-R1-Distill-Qwen-1.5B 概述

DeepSeek-R1-Distill-Qwen-1.5B是基于 Qwen2.5-Math-1.5B 基础模型，通过知识蒸馏技术融合 R1 架构优势所打造的轻量化语言模型。其设计目标是在保证关键任务性能的前提下，大幅降低计算与内存开销。

该模型主要特点包括：

• 参数量压缩至 1.5B：通过结构化剪枝与量化感知训练，实现高效参数利用。
• 精度保留率达 85%+：在 C4 数据集上的评估显示，相比原始模型损失极小。
• 垂直领域增强：在法律、医疗等专业场景下 F1 值提升 12–15 个百分点。
• 硬件友好部署：支持 INT8 量化，内存占用较 FP32 模式减少 75%，可在 NVIDIA T4 等边缘 GPU 上实现实时推理。

1.2 推理优化建议

为充分发挥模型潜力，官方推荐以下配置策略：

此外，在性能评估时建议进行多次测试取平均值，以获得更稳定的指标表现。

2. 运行环境搭建（Windows + WSL2）

由于 vLLM 目前仅支持 Linux 环境运行，若在 Windows 系统中部署，需借助WSL2（Windows Subsystem for Linux）创建 Linux 子系统。

2.1 硬件与系统要求

2.2 WSL2 安装步骤

1. 启用 WSL 功能

   dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart

2. 启用虚拟机平台

   dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

3. 安装 Linux 内核更新包下载地址：https://wslstorestorage.blob.core.windows.net/wslblob/wsl_update_x64.msi

4. 设置默认版本为 WSL2

   wsl --set-default-version 2

5. 安装 Ubuntu 发行版可通过 Microsoft Store 安装 Ubuntu 22.04 LTS。

6. 初始化用户账户启动 Ubuntu 后设置用户名和密码。

⚠️ 若提示“请启用虚拟机平台”，请检查 BIOS 是否开启虚拟化，并确认 Windows 功能已正确启用。

3. 软件依赖安装

进入 WSL2 终端后，依次安装以下组件。

3.1 安装 Anaconda3

cd /mnt/d bash Anaconda3-2024.06-1-Linux-x86_64.sh

安装完成后执行：

source ~/.bashrc conda -V

若未自动加载路径，手动添加：

export PATH=$PATH:/home/your_user/anaconda3/bin source ~/.bashrc

3.2 安装 CUDA Toolkit（WSL 版）

根据 NVIDIA 官方文档安装 CUDA 11.8：

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600 wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda-repo-wsl-ubuntu-11-8-local_11.8.0-1_amd64.deb sudo dpkg -i cuda-repo-wsl-ubuntu-11-8-local_11.8.0-1_amd64.deb sudo cp /var/cuda-repo-wsl-ubuntu-11-8-local/cuda-*-keyring.gpg /usr/share/keyrings/ sudo apt-get update sudo apt-get -y install cuda

验证安装：

nvidia-smi nvcc --version

3.3 安装 Python 包管理工具

sudo apt-get install python3-pip

3.4 创建 Conda 虚拟环境并安装 vLLM

conda create -n env-vllm python=3.12 -y conda activate env-vllm pip install vllm

✅ vLLM 是一个高性能 LLM 推理和服务库，支持 Tensor Parallelism、PagedAttention 等优化技术，适合生产级部署。

4. 模型下载与本地存储

4.1 下载方式选择

可通过 ModelScope 或 Hugging Face 获取模型文件：

• ModelScope: https://modelscope.cn/models/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B
• Hugging Face: https://huggingface.co/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B

4.2 使用 Git LFS 克隆模型

确保已安装 Git LFS：

git lfs install git clone https://www.modelscope.cn/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B.git

假设模型存放路径为/mnt/e/models/DeepSeek-R1-Distill-Qwen-1.5B，后续服务启动将引用此路径。

5. 启动模型服务（vLLM Serve）

使用 vLLM 内置的 API Server 启动 HTTP 服务，提供 OpenAI 兼容接口。

5.1 启动命令详解

vllm serve /mnt/e/models/DeepSeek-R1-Distill-Qwen-1.5B \ --gpu-memory-utilization 0.92 \ --max-model-len 90000

参数说明：

5.2 查看服务状态

进入工作目录查看日志：

cd /root/workspace cat deepseek_qwen.log

成功启动标志包括：

• 日志中出现Uvicorn running on http://0.0.0.0:8000
• 输出路由信息如/v1/chat/completions、/v1/models等

6. 测试模型服务可用性

6.1 使用 Jupyter Lab 调用（推荐）

启动 Jupyter Lab 并运行以下代码：

from openai import OpenAI import requests import json class LLMClient: def __init__(self, base_url="http://localhost:8000/v1"): self.client = OpenAI( base_url=base_url, api_key="none" # vLLM 不需要 API Key ) self.model = "DeepSeek-R1-Distill-Qwen-1.5B" def chat_completion(self, messages, stream=False, temperature=0.7, max_tokens=2048): try: response = self.client.chat.completions.create( model=self.model, messages=messages, temperature=temperature, max_tokens=max_tokens, stream=stream ) return response except Exception as e: print(f"API调用错误: {e}") return None def stream_chat(self, messages): print("AI: ", end="", flush=True) full_response = "" try: stream = self.chat_completion(messages, stream=True) if stream: for chunk in stream: if chunk.choices[0].delta.content is not None: content = chunk.choices[0].delta.content print(content, end="", flush=True) full_response += content print() return full_response except Exception as e: print(f"流式对话错误: {e}") return "" def simple_chat(self, user_message, system_message=None): messages = [] if system_message: messages.append({"role": "system", "content": system_message}) messages.append({"role": "user", "content": user_message}) response = self.chat_completion(messages) if response and response.choices: return response.choices[0].message.content return "请求失败" # 使用示例 if __name__ == "__main__": llm_client = LLMClient() print("=== 普通对话测试 ===") response = llm_client.simple_chat( "请用中文介绍一下人工智能的发展历史", "你是一个有帮助的AI助手" ) print(f"回复: {response}") print("\n=== 流式对话测试 ===") messages = [ {"role": "system", "content": "你是一个诗人"}, {"role": "user", "content": "写两首关于秋天的五言绝句"} ] llm_client.stream_chat(messages)

6.2 使用 Requests 直接调用 API

import requests url = "http://localhost:8000/v1/chat/completions" headers = {"Content-Type": "application/json"} data = { "model": "/mnt/e/models/DeepSeek-R1-Distill-Qwen-1.5B", "messages": [ {"role": "user", "content": "设计一个网关系统，使用Java代码实现"} ], "temperature": 0.6 } response = requests.post(url, headers=headers, json=data) if response.status_code == 200: print(response.json()) else: print(f"错误: {response.status_code}, {response.text}")

✅ 成功响应会返回 JSON 格式的生成结果，包含choices[0].message.content字段。

7. 常见问题与调优建议

7.1 常见问题排查

7.2 性能优化建议

• 启用 PagedAttention：vLLM 默认启用，可有效提升批处理效率。
• 调整批大小：通过--max-num-seqs控制并发请求数。
• 关闭图捕捉（cudagraph）：若显存紧张，添加--enforce-eager提高稳定性。
• 使用半精度（bfloat16）：模型自动识别，无需额外配置。

8. 总结

本文详细介绍了如何在 Windows 环境下通过 WSL2 部署DeepSeek-R1-Distill-Qwen-1.5B模型，并使用 vLLM 实现高性能推理服务。整个流程涵盖：

• 环境准备（WSL2 + CUDA + Conda）
• 模型下载（ModelScope/HF）
• 服务启动（vLLM Serve）
• API 调用（OpenAI 兼容接口）
• 流式与非流式交互测试

该方案具备良好的实用性与扩展性，适用于本地开发、教学演示、私有化部署等多种场景。结合其轻量化特性，即使是消费级显卡也能流畅运行。

未来可进一步探索：

• 多模型并行部署
• Web UI 集成（如 Gradio）
• 自定义 Tokenizer 修改
• 量化压缩（INT4/GPTQ）

掌握这套本地部署方法，将为大模型工程化落地打下坚实基础。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。