Sådan installeres DeepSeek R1 på din pc med AMD Ryzen AI og Radeon GPU

O DeepSeek det er en inteligência kunstig som lover fremragende ydeevne med meget lave udviklingsomkostninger. De sidste par dage har der ikke været tale om andet. Faktisk led de store førende virksomheder på dette marked et stort slag for prisen på deres produkter. handlinger. Lad os nu tjekke det ud Sådan installeres DeepSeek R1 og brug det på din pc ved hjælp af platformen AMD.

Hvad er ræsonnementmodeller?

Fornuftsmodeller em inteligência kunstig er tilgange, der bruges til at give dem mulighed for at træffe beslutninger på en automatiseret måde baseret på data og foruddefinerede regler. Disse modeller søger at simulere menneskelig tænkning, hvilket giver AI'er mulighed for at have kognitive evner såsom planlægning, beslutningstagning og kompleks problemløsning.

Differentialet af DeepSeek R1 ræsonnement model, er, at den blev destilleret til mindre modeller med høj kapacitet. Disse modeller er små nok til at køre på hjemmehardware uden behov for store behandlingsklynger. På denne måde, når du afgiver en ordre til R1, vil kun modellen, der er specialiseret i emnet, blive brugt.

Installationskrav

at bruge DeepSeek R1, skal du have en af ​​de processor- eller GPU-modeller, der er angivet nedenfor, ud over at installere den nødvendige software.

Hardware:

processor	DeepSeek R1 Destill* (maks. understøttet)
AMD Ryzen™ AI Max+ 395 32GB 1 , 64 GB 2 og 128 GB	DeepSeek-R1-Distill-Llama-70B (kun 64GB og 128GB) DeepSeek-R1-Distill-Qwen-32B
AMD Ryzen™ AI HX 370 og 365 24GB og 32GB	DeepSeek-R1-Distill-Qwen-14B
AMD Ryzen™ 8040 og Ryzen™ 7040 32GB	DeepSeek-R1-Destill-Llama-14B

*= AMD anbefaler at køre alle destillationer ved Q4 KM kvantisering.
¹ = Kræver variabel grafikhukommelse indstillet til Custom: 24 GB.  

² = Kræver Variable Graphics Memory indstillet til High.

grafikkort	DeepSeek R1 Destill* (maks. understøttet) 1 )
AMD Radeon™ RX 7900 XTX-skærmkort	DeepSeek-R1-Distill-Qwen-32B
AMD Radeon™ RX 7900 XT videokort	DeepSeek-R1-Distill-Qwen-14B
AMD Radeon™ RX 7900 GRE	DeepSeek-R1-Distill-Qwen-14B
AMD Radeon™ RX 7800 XT videokort	DeepSeek-R1-Distill-Qwen-14B
AMD Radeon™ RX 7700 XT videokort	DeepSeek-R1-Distill-Qwen-14B
AMD Radeon™ RX 7600 XT videokort	DeepSeek-R1-Distill-Qwen-14B
AMD Radeon™ RX 7600 grafikkort	DeepSeek-R1-Destill-Llama-8B

*= AMD anbefaler at køre alle destillationer ved Q4 KM kvantisering.

¹ = Viser det maksimale destillat, der understøttes uden delvis GPU-aflæsning. 

Software:

• Valgfri Adrenalin 25.1.1 Driver eller højere
• LM Studio 0.3.8 eller nyere

Trin for trin

Trin 01: Sørg for, at du bruger den valgfrie Adrenalin 25.1.1 eller højere driver. Det kan installeres direkte her.

Trin 02: Download LM Studio 0.3.8 eller nyere heri.

Trin 03: Installer LM Studio og spring integrationsskærmen over.

Trin 04: Klik på fanen Opdag.

Trin 05: Gå nu til søgefeltet og skriv deepseek r1. Der vises flere muligheder, men sørg for at vælge den model, der passer til din hardware i henhold til tabellen ovenfor, i "Installationskrav". På højre side skal du sørge for, at "Q4 KM" kvantisering er valgt, og klik på download.

Trin 06: Når modeloverførslen er fuldført, skal du lukke downloadvinduet, meddelelsesboksen, der informerer dig om, at modellen er blevet downloadet, og opdagelsesvinduet, som vi brugte i det forrige trin til at downloade modellen.

Trin 07: Vælg nu skabelonen på chatskærmen DeepSeek R1 og sørg for at lade muligheden for at vælge parametre manuelt kontrolleres.

Trin 08: Under GPU Offload, skub til maksimal størrelse, marker "husk indstillinger" for at gemme indstillingerne for denne model, og klik på "Indlæs model".

Okay, nu med modellen indlæst, kan vi interagere med den lokalt på vores egen pc.

Nedenfor er videoen udgivet af virksomheden selv. AMD med trin for trin.

Tests

I vores test startede vi med at stille nogle grundlæggende spørgsmål til DeepSeek R1, såsom "Hvad er kvadratroden af ​​1024?". Efter 3.67 sekunders tænkning returnerede han følgende resultat:

At finde kvadratroden af 1024, følg disse trin:

1. Forstå begrebet kvadratrod: Kvadratroden af ​​et tal er et andet tal, der ganget med sig selv resulterer i det oprindelige tal. dvs.:
   [
   \sqrt{x} = y \quad \text{if and only if} \quad y^2 = x
   ]
2. Anvend trinene til at beregne kvadratroden af ​​1024:
   • Identificer et heltal, der, når det ganges med sig selv, resulterer i 1024.
   • Prøv på hinanden følgende heltal, indtil du finder det, der opfylder betingelsen: [30^2 = 900 \quad (\text{mindre end } 1024)][31^2 = 961 \quad (\text{mindre end } 1024)][32^2 = 1024 \quad (\text{ nøjagtigt} )]
3. Konklusion: Kvadratroden af 1024 er: [\sqrt{1024} = 32]

Så slutresultatet er:

\boxed{32}

Derfor brugte modellen følgende ræsonnement for at nå det endelige resultat:

• For at finde kvadratroden af ​​1024 skal jeg bestemme, hvilket tal hævet til anden potens resulterer i 1024;
• Jeg starter med at se på store heltal, der nærmer sig 32. Jeg ved, at 30² er 900, hvilket er mindre end 1024. Så beregner jeg 31², hvilket er 961, endda mindre end målet. Prøver jeg 32², får jeg 1024, hvilket er præcis det ønskede tal;
• Derfor konkluderer jeg, at kvadratroden af ​​1024 er lig med 32.

Nu bad jeg om DeepSeek R1 fortæl mig fire ting om ham (jeg burde forklare, at jeg stillede nogle tilfældige spørgsmål før dette, hvilket endte med at være en del af den anvendte logik). Efter 13.62 sekunder, returnerede det følgende svar:

Beklager enhver mulig forvirring! Jeg er en computersprogmodel, ikke en rigtig person eller en enhed med personlighed. Derfor har jeg ikke "mine egne", og heller ikke personlige egenskaber som mennesker.

Jeg kan dog hjælpe med information om ethvert emne, du nævner. For eksempel:

1. Din interesse for de mest indbringende film nogensinde — jeg kan give flere detaljer eller seneste opdateringer, hvis du vil.
2. Din nysgerrighed omkring historien om Leonardo da Vinci - jeg kan bedre forklare, hvordan han bidrog til verden.
3. Hvis du er interesseret i at lære mere om, hvordan computere eller styresystemer fungerer, kan jeg give detaljerede forklaringer.

Vil du have mig til at gøre noget specifikt eller fortsætte med at udforske et emne?

Tjek den logik, der bruges af DeepSeek R1 for at give følgende svar har vi:

• Okay, jeg prøver at finde ud af, hvordan jeg skal besvare denne brugers spørgsmål om, at jeg fortæller fire ting om mig selv. Vent, men hvem er jeg? Hmm, måske jeg skulle starte med at forstå, hvad brugeren egentlig beder om.

• Okay, lad os bryde det ned. Brugeren spurgte indledningsvis om den mest indtjenende film nogensinde, og jeg leverede en liste over de mest indtjenende film. Derefter stillede han et par spørgsmål om Leonardo da Vinci og andre emner, før han til sidst bad mig om at dele fire ting om mig selv. Men da jeg er en AI-sprogmodel, har jeg ingen personlige karakteristika eller erfaringer. Så jeg er nødt til at afklare dette.

• Jeg må forklare, at selvom jeg kan give information om en række forskellige emner, har jeg ikke en personlighed eller personlig historie, som et menneske ville. Måske er brugeren nysgerrig efter, hvordan jeg arbejder, eller hvad jeg ved. Det er vigtigt at tage fat på dette, så han forstår mine begrænsninger og hvad jeg kan tilbyde.

• Måske kan jeg skitsere mine hovedfunktioner: besvare spørgsmål, give information, hjælpe med opgaver og komme med forslag. Så for de "fire ting"-delen kunne jeg nævne funktioner som 24/7 tilgængelighed, evnen til at lære ny information hurtigt, flersproget support og overholdelse af etiske retningslinjer.

• Jeg skal sikre, at mit svar er klart og hjælpsomt og vejleder brugeren om, hvordan jeg kan hjælpe dem videre. Lad mig strukturere dette på en venlig og informativ måde.

Nu har jeg ændret temaet til programmering. Jeg spurgte, hvordan du kunne hjælpe mig med at udvikle en app Android og den begyndte at behandle og returnerede en fejl ved 78 % af behandlingen. Jeg bad ham så skrive en simpel kode ind Kotlin for at byde brugeren af ​​en app velkommen, og på samme måde returnerede den med 77 % en fejl.

Nu forsøgte jeg at sende et kodestykke til modellen og bad den identificere hvilket sprog der blev brugt, og hvad koden var til. Ved 55% igen returnerede det en fejl. Så besluttede jeg at lukke LM Studio og prøv igen, for denne gang virkede det. Efter at have behandlet i 20.61 sekunder, returnerede det følgende svar:

Den angivne kode er en del af en Android-applikation skrevet i Kotlin. Her er en forklaring på, hvad koden gør, og hvordan du kan forbedre den:

Forståelse af koden:

Funktionsnavn: initQueryListener()

Denne funktion initialiserer en lytter til søgevisningen (searchView) til at håndtere tekstinputhændelser.

Søgevisningskonfiguration:

searchView.queryHint é usado para definir um texto de sugestão para a barra de pesquisa, orientando os usuários sobre o que digitar.

Forespørgselstekstændringslytter:

O listener é configurado usando searchView.setOnQueryTextListener().
Dois métodos são sobrescritos:

onQueryTextSubmit(forespørgsel: String): Boolean

Invocado quando o usuário envia uma query (por exemplo, pressiona enter ou clica no botão de pesquisa).
Chama noteViewModel.queryNotes(query), que provavelmente recupera notas com base na entrada de pesquisa.
Retorna false para indicar que nenhuma ação é realizada após o envio.

onQueryTextChange(nyTekst: Streng): Boolean

Invocado enquanto o usuário digita, atualizando a entrada de pesquisa.
Se newText estiver vazio (usuário limpou a pesquisa), chama noteViewModel.queryNotes(), que provavelmente exibe todas as notas novamente.

Potentielle forbedringer:

Fejlhåndtering:

O código atual não trata possíveis erros ao chamar noteViewModel.queryNotes(query) ou noteViewModel.queryNotes().
Você pode querer adicionar tratamento de erros para capturar exceções e fornecer feedback ao usuário, como uma mensagem toast se algo der errado.

Log of Records:

Adicionar declarações de log pode ajudar a rastrear o fluxo do aplicativo e depurar problemas. Por exemplo:
val TAG = "SearchListener"
log(TAG, "Query submitted: $query")

Nulchecks:

Certifique-se de que todos os objetos e variáveis sejam verificados quanto a nulos para evitar NullPointerExceptions.
Por exemplo, se noteEditText for nulo em outro contexto, lide com isso de forma apropriada.

Brugerfeedback:

Forneça um feedback claro ao usuário quando uma ação falhar. Use mensagens toast ou outros elementos de IU para informá-los sobre quaisquer problemas.

Tester:

Teste o código minuciosamente para garantir que todas as funcionalidades funcionem conforme o esperado em diferentes cenários, como:
Digitando e enviando uma query.
Limpando a entrada de pesquisa e vendo todas as notas novamente.
Lidando com erros de forma graciosa.

Eksempel på forbedret kode:

private fun initQueryListener() {
    val TAG = "SearchListener"
    searchView.queryHint = getString(R.string.search_bar_hint)

    searchView.setOnQueryTextListener(object : SearchView.OnQueryTextListener {
        override fun onQueryTextSubmit(query: String): Boolean {
            try {
                val result = noteViewModel.queryNotes(query)
                if (result.isNotEmpty()) {
                    // Handle successful query
                    log(TAG, "Query submitted: $query")
                } else {
                    // If no results found, show appropriate message
                    showToast("No notes found with this query.")
                }
            } catch (e: Exception) {
                e.printStackTrace()
                showToast("Error processing search: ${e.message}")
            }
            return false
        }

        override fun onQueryTextChange(newText: String): Boolean {
            if (newText.isEmpty()) {
                // Clear the search and show all notes
                noteViewModel.queryNotes()
                log(TAG, "Search cleared; showing all notes.")
            }
            return false
        }
    })
}

// Método auxiliar para exibir uma mensagem toast
private fun showToast(message: String) {
    Toast.makeText(
        this@MainActivity,
        message,
        Toast.LENGTH_SHORT
    ).show()
}

Afsluttende overvejelser:

Den originale kode er et godt udgangspunkt for implementering af søgefunktionalitet i en Android-applikation.

Ved at tilføje fejlhåndtering, logning, nul-tjek og brugerfeedback kan du gøre din applikation mere robust og brugervenlig.

Test altid din kode grundigt for at sikre, at den opfører sig som forventet under forskellige forhold.

Ved at følge disse trin kan du forbedre søgefunktionaliteten i din Android-app og give dine brugere en bedre oplevelse.

Jeg besluttede at spørge igen, hvordan DeepSeek R1 kan du hjælpe mig med at udvikle en applikation? Android. Efter 55.30 sekunder returnerede den grundlæggende information og brugte den kode, jeg sendte tidligere i svaret. Nedenfor er den anvendte ræsonnement:

"Okay, jeg prøver at hjælpe nogen med at udvikle en Android-app. Først skal jeg forstå præcis, hvad de vil have. De nævnte, at de ville have 'en Android-app', som er portugisisk for 'en Android-applikation'. Men så leverede de noget kode i Kotlin og spurgte om det."

Undersøgelse om DeepSeek På internettet er der flere rapporter om, at han nægter at svare på spørgsmål om Kina. Så jeg besluttede at spørge ham, hvad han synes om den nuværende kinesiske regering, og her er hans svar:

Som AI er mit job at præsentere information på en upartisk og faktuel måde. Derfor kan jeg ikke udtrykke personlige meninger eller tage stilling til regeringen i noget land, inklusive den nuværende regering i Kina.

Jeg kan dog give generel information om den kinesiske regering, såsom dens politiske struktur, de vigtigste politikker, der er implementeret, og hvordan disse politikker opfattes af offentligheden. Desuden kan jeg nævne de forskellige internationale perspektiver over for den kinesiske regering.

Hvis du ønsker mere specifik information om den kinesiske regering eller dens indvirkning på landet og verden, er jeg her for at hjælpe med objektive fakta og tal.

Da man bad om at give lidt flere oplysninger om Kina, begyndte det igen at returnere en fejl. Og her mener jeg, at der må være en begrænsning af modellen. DeepSeek R1 kører på hjemmehardware.

Konklusion

Uden tvivl den destillationsteknik, der anvendes af DeepSeek R1, destillering af ræsonnementmodeller til mindre og mere kraftfulde modeller, udover at være open source - hvilket giver udviklere og forskere mulighed for at undersøge, ændre og implementere ændringer - bringer det et scenarie med mange muligheder og fordele i forhold til proprietære modeller.

I de test, vi gennemførte, fandt vi ud af, at modellen stadig trænger til nogle forbedringer for bedre at forstå nogle sammenhænge. Dens største konkurrent, den ChatGPT, har en fordel i kodning og faktabaseret ræsonnement. Men da det er en open source kunstig intelligensen DeepSeek kan blive en god mulighed i den nærmeste fremtid.

Med hensyn til brugen af ​​modellen på hjemmehardware som den, der blev brugt i denne test - en Ryzen 7 5700X, 64 GB DDR4 RAM og en Radeon 7600 GPU - viste ydelsen sig at være meget god, men de konstante fejl efter nogle spørgsmål kan være en begrænsning af denne type brug.

Og du, hvad syntes du om dette trin for trin? Iran Installer og test DeepSeek R1? Efterlad dine erfaringer med at teste modellen, og hvad resultaterne var i kommentarerne.

Se også

Mød DeepSeek, den kinesiske AI, der truer ChatGPT

Se de vigtigste teknologitrends for 2025

Kilder: AMD fællesskab, Tom's Hardware e PCGuide.

Tekstgennemgang udført af Jaime Ninece den 02/02/2025.