技术实战|ELF 2学习板本地部署DeepSeek-R1大模型的完整指南（一）

DeepSeek作为国产AI大数据模型的代表，凭借其卓越的推理能力和高效的文本生成技术，在全球人工智能领域引发广泛关注。DeepSeek-R1作为该系列最新迭代版本，实现了长文本处理效能跃迁、多模态扩展规划、嵌入式适配等技术维度的突破。

RK3588作为瑞芯微推出的旗舰级芯片，凭借多核异构计算能力以及强大的CPU、GPU和NPU性能，成为嵌入式AI应用的理想平台。DeepSeek-R1与ELF 2学习板的深度融合，标志着国产AI大模型从云端向边缘端的延伸。这种“先进算法+定制化芯片”的协同模式，不仅解决了边缘侧实时性、隐私保护等关键需求，更构建起从技术研发到产业赋能的完整价值链条。接下来，让我们深入探讨这一过程是如何具体实现的。

一、移植过程

（1）下载DeepSeek-R1源码

在Ubuntu虚拟机上从DeepSeek-R1官网地址下载DeepSeek-R1-Distill-Qwen-1.5B权重文件。

（2）安装转换工具

在Ubuntu创建虚拟环境并安装RKLLM-Toolkit，以便将DeepSeek-R1大语言模型转换为RKLLM模型格式和编译板端推理的可执行程序。

（3）模型转换

使用RKLLM-Toolkit对模型进行转换，RKLLM-Toolkit提供模型的转换、量化功能。作为RKLLM-Toolkit的核心功能之一，它允许用户将Hugging Face或GGUF格式的大语言模型转换为RKLLM模型，从而将RKLLM模型在Rockchip NPU上加载运行。

（4）编译DeepSeek-R1程序

安装交叉编译工具链，以编译RKLLM Runtime可执行文件，该程序包含模型初始化、模型推理、回调函数处理输出和模型资源释放等全部流程。

（5）模型部署

将编译好的RKLLM模型和可执行文件上传至板端即可执行，这样就可以在ELF 2学习板的调试串口上和DeepSeek-R1对话了，而且无需联网。

二、效果展示

DeepSeek-R1是一款多功能的人工智能助手，它在多个领域内均能提供高效而全面的支持。即便是本地离线版本，无论是日常的信息检索需求、专业设备的维修指导建议、复杂数学问题的解答，还是编程任务的辅助完成，R1都能凭借其强大的数据处理能力和广博的知识储备库，给出既准确且实用的建议，成为用户在各领域探索时的可靠伙伴。

（1）普通信息搜索

DeepSeek-R1能够快速检索并提供准确的信息。例如，当询问“保定飞凌嵌入式技术有限公司”时，DeepSeek-R1可以详细介绍该公司的背景、主营业务、产品特点等，帮助用户全面了解该公司的情况。

（2）专业设备问题维修意见

对于专业设备问题，DeepSeek-R1能够提供详细的故障分析和解决方案。例如，针对PLC报错误码E01的问题，R1分析可能造成故障的原因，如电源问题、接线错误或硬件故障，并提供相应的解决步骤，帮助用户快速排除故障。

（3）数学题解答

DeepSeek-R1拥有卓越的数学运算能力，擅长攻克各类数学难题。举例来说，在面对红蓝铅笔的采购问题时，它能够巧妙地构建方程组并迅速求解，精确计算出红铅笔与蓝铅笔的应购数量，为用户提供即时且准确的解决方案。不仅如此，DeepSeek-R1还附带了详尽的验证步骤，确保结果的准确无误。

（4）编程任务

DeepSeek-R1在编程方面表现出色，能够根据用户需求编写代码。例如，针对ELF 2学习板的串口通信需求，R1可以提供完整的C语言示例程序，包括串口初始化、数据接收和发送等功能，帮助用户实现串口通信。

从上述视频中不难发现，DeepSeek-R1在众多领域内彰显了其卓越的实用价值与高效性能，已然成为各位小伙伴工作学习中不可或缺的智能伙伴。

三、性能测评

在完成移植后我们进行了全面的性能评测，以验证 DeepSeek-R1在ELF 2学习板上的运行效果。经过详细的测试与对比，归纳了以下几个关键性能指标：

实时性：从视频播放中可以看到，DeepSeek-R1输出的回答结果清晰且流畅，未出现任何延迟或卡顿现象。

CPU占用：DeepSeek-R1在ELF 2学习板上运行的CPU占用为12%~17%，这一表现证明了框架的高效性，使其即便在资源受限的设备上也能顺利运行，扩展了其应用场景和商业潜力。

内存占用：在进行上述功能测试时，DeepSeek-R1的内存占用约为825MB。这保证了系统的流畅运行，避免了由于内存不足引起的性能问题，使得用户的应用体验更加顺畅。

NPU占用：由下图可见DeepSeek-R1在ELF 2学习板上运行时，能够更高效地分配计算资源，其NPU（神经处理单元）的三个核心负载均达到了83%。

在此次演示中，我们全面展示了DeepSeek-R1的实际应用成效，其强大功能与高效能表现得到了有力证明。后续文章中将详细介绍DeepSeek-R1向ELF 2学习板的移植细节，包括多样化的移植方式及操作步骤。如果屏幕前的小伙伴对这一过程感兴趣，欢迎持续关注我们，期待与您在嵌入式教育的道路上探索更多可能性！