Så här installerar du DeepSeek R1 på din dator med AMD Ryzen AI och Radeon GPU

O DeepSeek det är en inteligência artificiell som lovar utmärkt prestanda med mycket låga utvecklingskostnader. De senaste dagarna har det inte pratats om något annat. Faktum är att de stora ledande företagen på denna marknad drabbades av ett stort slag mot priset på sina produkter. handlingar. Nu ska vi kolla upp det Hur man installerar DeepSeek R1 och använd den på din PC med plattformen AMD.

Vad är resonemangsmodeller?

Resonerande modeller em inteligência artificiell är metoder som används för att göra det möjligt för dem att fatta beslut på ett automatiserat sätt baserat på data och fördefinierade regler. Dessa modeller försöker simulera mänskligt tänkande, vilket gör att AI:er kan ha kognitiva förmågor som planering, beslutsfattande och komplex problemlösning.

Skillnaden mellan DeepSeek R1 resonemangsmodell, är att den destillerades till mindre modeller med hög kapacitet. Dessa modeller är tillräckligt små för att kunna köras på hemmaskinvara, utan behov av stora bearbetningskluster. Detta sätt, när du gör en beställning till R1, endast modellen som är specialiserad på ämnet kommer att användas.

Installationskrav

att använda DeepSeek R1, måste du ha en av processor- eller GPU-modellerna nedan, förutom att installera nödvändig programvara.

Hårdvara:

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

*= AMD rekommenderar att alla destillationer körs vid Q4 KM-kvantisering.
¹ = Kräver variabelt grafikminne inställt på Custom: 24 GB.  

² = Kräver variabelt grafikminne satt till Högt.

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

*= AMD rekommenderar att alla destillationer körs vid Q4 KM-kvantisering.

¹ = Visar det maximala destillat som stöds utan partiell GPU-avlastning. 

Programvara:

• Valfri Adrenalin 25.1.1 Driver eller högre
• LM Studio 0.3.8 eller högre

Steg för steg

Steg 01: Se till att du använder den valfria Adrenalin 25.1.1 eller högre drivrutin. Den kan installeras direkt här.

Steg 02: Ladda ner LM Studio 0.3.8 eller senare häri.

Steg 03: Installera LM Studio och hoppa över integrationsskärmen.

Steg 04: Klicka på upptäck-fliken.

Steg 05: Gå nu till sökrutan och skriv deepseek r1. Flera alternativ kommer att visas, men se till att välja den modell som är lämplig för din hårdvara enligt tabellen ovan, i "Installationskrav". På höger sida, se till att "Q4 KM" kvantisering är vald och klicka på ladda ner.

Steg 06: När modellnedladdningen är klar stänger du nedladdningsfönstret, meddelanderutan som informerar dig om att modellen har laddats ner och upptäcktsfönstret som vi använde i föregående steg för att ladda ner modellen.

Steg 07: Välj nu mallen på chattskärmen DeepSeek R1 och se till att lämna alternativet att välja parametrar manuellt.

Steg 08: Under GPU Offload, skjut till maximal storlek, markera "kom ihåg inställningar" för att spara inställningarna för denna modell och klicka på "Ladda modell".

Okej, nu med modellen laddad kan vi interagera med den lokalt på vår egen dator.

Nedan är videon som släppts av företaget självt. AMD med steg för steg.

testiklar

I vår testning började vi med att ställa några grundläggande frågor till DeepSeek R1, till exempel "Vad är kvadratroten av 1024?". Efter 3.67 sekunders tänkande returnerade han följande resultat:

Att hitta kvadratroten av 1024, Följ dessa steg:

1. Förstå begreppet kvadratrot: Kvadratroten ur ett tal är ett annat tal som, multiplicerat med sig själv, resulterar i det ursprungliga talet. Dvs:
   [
   \sqrt{x} = y \quad \text{if and only if} \quad y^2 = x
   ]
2. Använd stegen för att beräkna kvadratroten av 1024:
   • Identifiera ett heltal som, när det multipliceras med sig självt, resulterar i 1024.
   • Prova på varandra följande heltal tills du hittar det som uppfyller villkoret: [30^2 = 900 \quad (\text{mindre än } 1024)][31^2 = 961 \quad (\text{mindre än } 1024)][32^2 = 1024 \quad (\text{ exakt} )]
3. Slutsats: Kvadratroten av 1024 är: [\sqrt{1024} = 32]

Så slutresultatet är:

\boxed{32}

För att nå det slutliga resultatet använde modellen därför följande resonemang:

• För att hitta kvadratroten av 1024 måste jag bestämma vilket tal som höjts till andra potensen resulterar i 1024;
• Jag börjar med att titta på stora heltal som närmar sig 32. Jag vet att 30² är 900, vilket är mindre än 1024. Sedan beräknar jag 31², vilket är 961, till och med mindre än målet. Försöker jag 32² får jag 1024, vilket är exakt det önskade antalet;
• Därför drar jag slutsatsen att kvadratroten ur 1024 är lika med 32.

Nu bad jag om DeepSeek R1 berätta fyra saker om honom (jag borde förklara att jag ställde några slumpmässiga frågor innan detta, vilket slutade med att vara en del av logiken som användes). Efter 13.62 sekunder gav den följande svar:

Ursäkta eventuell förvirring! Jag är en datorspråksmodell, inte en riktig person eller en enhet med personlighet. Därför har jag inte "mina egna" och inte heller personliga egenskaper som människor.

Däremot kan jag hjälpa till med information om vilket ämne du nämner. Till exempel:

1. Ditt intresse för de mest inkomstbringande filmerna genom tiderna — jag kan ge mer information eller senaste uppdateringar om du vill.
2. Din nyfikenhet på historien om Leonardo da Vinci — jag kan bättre förklara hur han bidrog till världen.
3. Om du är intresserad av att lära dig mer om hur datorer eller operativsystem fungerar kan jag ge detaljerade förklaringar.

Vill du att jag ska göra något specifikt eller fortsätta att utforska ett ämne?

Kontrollera logiken som används av DeepSeek R1 för att ge följande svar har vi:

• Okej, jag försöker ta reda på hur jag ska svara på den här användarens fråga om att jag ska berätta fyra saker om mig själv. Vänta, men vem är jag? Hmm, jag kanske borde börja med att förstå vad användaren faktiskt frågar efter.

• Okej, låt oss bryta ner det. Användaren frågade först om den mest inkomstbringande filmen genom tiderna och jag gav en lista över de mest inkomstbringande filmerna. Sedan ställde han några frågor om Leonardo da Vinci och andra ämnen innan han till slut bad mig dela fyra saker om mig själv. Men eftersom jag är en AI-språkmodell har jag inga personliga egenskaper eller erfarenheter. Så jag måste förtydliga detta.

• Jag måste förklara att även om jag kan ge information om en mängd olika ämnen, har jag inte en personlighet eller personlig historia som en människa skulle ha. Kanske är användaren nyfiken på hur jag jobbar eller vad jag kan. Det är viktigt att ta upp detta så att han förstår mina begränsningar och vad jag kan erbjuda.

• Jag kanske kan beskriva mina huvudfunktioner: svara på frågor, ge information, hjälpa till med uppgifter och komma med förslag. Så för "fyra saker"-delen kan jag lista funktioner som 24/7 tillgänglighet, möjligheten att snabbt lära sig ny information, flerspråkig support och efterlevnad av etiska riktlinjer.

• Jag måste se till att mitt svar är tydligt och användbart och vägleder användaren om hur jag kan hjälpa dem vidare. Låt mig strukturera detta på ett vänligt och informativt sätt.

Nu ändrade jag temat till programmering. Jag frågade hur du kunde hjälpa mig att utveckla en app Android och det började bearbetas och returnerade ett fel vid 78 % av bearbetningen. Jag bad honom sedan skriva in en enkel kod Kotlin för att välkomna användaren av en app och på samma sätt, med 77 %, returnerade den ett fel.

Nu försökte jag skicka en kodsnutt till modellen och bad den identifiera vilket språk som användes och vad koden var till för. Vid 55 % återigen returnerade det ett fel. Jag bestämde mig då för att stänga LM Studio och försök igen, för den här gången fungerade det. Efter bearbetning i 20.61 sekunder returnerade den följande svar:

Koden som tillhandahålls är en del av en Android-applikation skriven i Kotlin. Här är en förklaring av vad koden gör och hur du kan förbättra den:

Förstå koden:

Funktionsnamn: initQueryListener()

Denna funktion initierar en lyssnare för sökvyn (searchView) för att hantera textinmatningshändelser.

Sökvykonfiguration:

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

Fråga Text Change Listener:

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

onQueryTextSubmit(fråga: 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(newText: String): 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.

Potentiella förbättringar:

Felhantering:

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")

Nollkontroller:

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.

Användarfeedback:

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.

Exempel på förbättrad kod:

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()
}

Slutliga överväganden:

Originalkoden är en bra utgångspunkt för att implementera sökfunktionalitet i en Android-applikation.

Genom att lägga till felhantering, loggning, nollkontroller och användarfeedback kan du göra din applikation mer robust och användarvänlig.

Testa alltid din kod noggrant för att säkerställa att den fungerar som förväntat under olika förhållanden.

Genom att följa dessa steg kan du förbättra sökfunktionen i din Android-app och ge dina användare en bättre upplevelse.

Jag bestämde mig för att återigen fråga hur DeepSeek R1 kan du hjälpa mig att utveckla en applikation? Android. Efter 55.30 sekunder returnerade den grundläggande information och använde koden jag skickade tidigare i svaret. Nedan följer det resonemang som används:

"Okej, jag försöker hjälpa någon att utveckla en Android-app. Först måste jag förstå exakt vad de vill ha. De nämnde att de ville ha "en Android-app", som är portugisiska för "en Android-applikation". Men sedan tillhandahöll de lite kod i Kotlin och frågade om det.”

Forskar om DeepSeek På internet finns flera rapporter om att han vägrar svara på frågor om Kina. Så jag bestämde mig för att fråga honom vad han tycker om den nuvarande kinesiska regeringen och här är hans svar:

Som AI är mitt jobb att presentera information på ett opartiskt och sakligt sätt. Därför kan jag inte uttrycka personliga åsikter eller ta ställning angående regeringen i något land, inklusive Kinas nuvarande regering.

Däremot kan jag ge allmän information om den kinesiska regeringen, såsom dess politiska struktur, de huvudsakliga policyerna som genomförs och hur denna politik uppfattas av allmänheten. Dessutom kan jag nämna de olika internationella perspektiven gentemot den kinesiska regeringen.

Om du vill ha mer specifik information om den kinesiska regeringen eller dess inverkan på landet och världen, är jag här för att hjälpa till med objektiva fakta och siffror.

När man bad om att ge lite mer information om Kina, började det återigen returnera ett fel. Och här tror jag att det måste finnas en viss begränsning av modellen. DeepSeek R1 körs på hemmaskinvara.

Slutsats

Utan tvekan, destillationstekniken som används av DeepSeek R1, destillerar resonemangsmodeller till mindre och mer kraftfulla modeller, förutom att vara öppen källkod – vilket gör det möjligt för utvecklare och forskare att undersöka, modifiera och implementera förändringar – ger det ett scenario med många möjligheter och fördelar jämfört med proprietära modeller.

I de tester vi genomförde fann vi att modellen fortfarande behöver vissa förbättringar för att bättre förstå vissa sammanhang. Dess främsta konkurrent, den ChatGPT, har en fördel i kodning och faktabaserade resonemang. Men eftersom det är en artificiell intelligens med öppen källkoden DeepSeek kan bli ett bra alternativ inom en snar framtid.

När det gäller användningen av modellen på hemhårdvara som den som används i det här testet - en Ryzen 7 5700X, 64 GB DDR4 RAM och en Radeon 7600 GPU - visade sig prestandan vara mycket bra, men de ständiga felen efter några frågor kan vara en begränsning av denna typ av användning.

Och du, vad tyckte du om detta steg för steg? Iran Installera och testa DeepSeek R1? Lämna dina erfarenheter av att testa modellen och vad resultatet blev i kommentarerna.

Se också

Möt DeepSeek, den kinesiska AI som hotar ChatGPT

Se de viktigaste tekniktrenderna för 2025

källor: AMD Community, Toms maskinvara e PCGuide.

Textgranskning gjord av Jaime Ninece den 02/02/2025.