当前位置：首页 > article >正文

【大模型】蓝耘智算平台部署DeepSeek-R1大模型使用详解

article 2025/2/24 6:15:55

一、前言

二、蓝耘智算平台介绍

2.1 蓝耘智算平台是什么

2.2 平台优势

2.3 应用场景

2.4 对DeepSeek 的支持

2.4.1 DeepSeek 简介

2.4.2 DeepSeek 优势

三、蓝耘智算平台部署DeepSeek-R1操作过程

3.1 注册账号

3.1.1 余额检查

3.2 部署DeepSeek-R1

3.2.1 获取DeepSeek-R1模型

3.2.2 应用介绍与说明

3.2.3 应用部署

3.2.4 启动应用

3.2.5 效果体验

3.2.6 模型切换

3.3 文档对接

四、写在文末

一、前言

近期随着DeepSeek的热度持续走高，让AI圈也变得异常热闹，而DeepSeek-R1模型凭借其卓越技术优势，成为众多开发者和研究者的探索焦点。DeepSeek 作为一款强大的语言模型，在文本生成、知识问答等领域展现出了卓越的性能。各大厂商也纷纷开始推出便捷快速的与DeepSeek的接入方案，从而降低使用DeepSeek的成本，缩短应用开发者与DeepSeek的距离。而在这些对接的平台中，蓝耘智算平台则为我们提供了便捷、高效的计算资源，让我们能够轻松地使用 DeepSeek 进行各种任务的处理，本文将详细介绍如何在蓝耘智算平台上使用 DeepSeek的完整过程。

二、蓝耘智算平台介绍

2.1 蓝耘智算平台是什么

蓝耘智算平台是一个现代化的、基于Kubernetes的云平台，专为大规模GPU加速工作负载而构建。该平台旨在为工程师、创新者和科研工作者提供无与伦比的计算解决方案，其速度可比传统云服务提供商快35倍，成本降低30%，快速入口：lanyun.net

针对大模型训练场景，蓝耘算力云平台将运行环境、模型、训练框架等打包到容器中，并通过定制化Kubernetes容器、编排工具进行容器调度、管理和扩展，可以解决开发环境设置以及运维和管理问题，让算法工程师能够使用统一的环境模板进行开发，免除了初期大量的开发环境设置，以及在新的环境中管理新的算力资源的问题，为用户提供开箱即用的大模型训练、推理平台。除此之外，针对大模型训练中遇到的容器进程死机、大规模分布式训练中GPU驱动丢失、GPU硬件损坏、甚至是计算节点宕机等难题，都做了定制化设计，为以上难题提供了自动化调度和强大的自愈能力，实现了更高的开发和训练效率以及整体资源利用率。

2.2 平台优势

蓝耘智算平台的核心优势包括：

高性能计算能力：
- 平台基于行业领先的灵活基础设施和大规模GPU算力资源，能够提供开放、高性能、高性价比的算力云服务
基础设施灵活
- 平台基于行业领先的灵活基础设施构建，用户可以根据实际需求动态调整资源，实现资源的高效利用和成本的合理控制。
全场景覆盖：
- 从数据准备、代码开发、模型训练到推理部署等全场景覆盖，支持从AI开发到部署的全流程
生态体系完善：
- 平台集应用市场、预训练大模型、数据集管理、AI开发工具、模型镜像等功能于一体，致力于构建一个充满活力的AI社区平台；
现代化的云平台架构
- 蓝耘智算平台采用Kubernetes作为核心容器编排技术，构建了一个现代化的云平台架构。这确保了平台的高可用性、可扩展性和易管理性
易于使用和管理
- 平台提供直观的用户界面和强大的管理工具，使得用户可以轻松地进行资源申请、任务调度和监控管理，降低了使用门槛和管理成本。
丰富的服务选项
- 蓝耘智算平台提供多种服务选项，包括计算服务、存储服务、网络服务等，用户可以根据实际需求选择合适的服务组合，满足多样化的应用场景需求。
安全性高
- 蓝耘智算平台注重数据安全，采用多种安全措施保障用户数据的安全性和隐私性，包括数据加密、访问控制、安全审计等。

2.3 应用场景

蓝耘智算平台的应用场景包括但不限于：

机器学习：提供高性能计算资源，加速模型训练和推理过程。
视觉渲染：支持复杂的图形处理任务，如电影特效、建筑设计可视化等。
批处理：处理大量数据和计算任务，适用于大数据分析和科学计算。
科研创新：为科研工作者提供高性能计算环境，加速科研项目的进展。

蓝耘智算平台的注册使用流程简单直观，用户可以根据需求选择公有云、私有化部署或按年度订阅的服务模式。对于中小型商业客户和AIGC开发者，平台提供弹性算力服务，用户按需购买或订阅资源；对于大型企业用户，平台支持内部私有化部署，确保数据安全和性能要求

2.4 对DeepSeek 的支持

2.4.1 DeepSeek 简介

DeepSeek 是字节跳动旗下云雀模型团队基于 Transformer 架构开发的新一代开源大语言模型，以其强大的语言理解与生成能力在自然语言处理领域崭露头角。快速入口：DeepSeek

在模型架构上，DeepSeek 创新性地优化了 Transformer 架构，大幅提升了模型的学习效率和性能表现。它能够更高效地处理和分析大规模文本数据，从而为各类自然语言处理任务提供坚实的基础。在预训练阶段，DeepSeek 在海量的文本数据上进行了深度训练，涵盖新闻资讯、学术论文、文学作品、社交媒体等丰富多样的数据源，使其具备了广泛的知识储备和强大的语言理解能力。
在多种自然语言处理任务中都展现出卓越的性能。在文本生成方面，无论是创作故事、撰写文章还是生成对话，它都能生成连贯、富有逻辑且语义准确的文本；在智能问答任务中，DeepSeek 能快速理解问题含义，并从海量知识中提取准确答案；在文本分类、情感分析等任务中，也能凭借其精准的理解能力给出可靠的结果。
此外，DeepSeek具备高度的可定制性和扩展性。开发者可以根据自身需求对模型进行微调，使其更好地适应特定领域或任务，从而为不同行业的应用提供了极大的便利。凭借这些优势，DeepSeek 在智能客服、内容创作、智能写作辅助、信息检索等领域有着广泛的应用前景，正助力各行业在自然语言处理领域取得新的突破。

2.4.2 DeepSeek 优势

DeepSeek 与其他大语言模型相比，具有以下独特优势：

技术架构方面
- 混合专家架构优势：
  - 采用混合专家（MoE）架构，如 DeepSeek-V3 能通过路由机制按需激活专家处理任务。相比传统大模型，避免了不必要的计算，减少了计算量和内存消耗4。还可根据输入数据特性和不同任务，动态选择最合适的专家，灵活分配计算资源，优化处理效率4。
- 指令集创新：
  - 采用 PTX 指令集，与 NVIDIA 的 CUDA 不同，PTX 可与 GPU 驱动函数直接交互，开发者能进行更深层次的硬件操作和定制，极大提高运行效率。
性能表现方面
- 推理与计算能力突出：
  - 在编程任务中，DeepSeek-V3 的通过率较高，在数学推理任务中，超过了大部分开源和闭源模型，展示出强大的问题解决能力。
- 多语言理解出色：
  - 作为中国团队开发的模型，更符合中文语言习惯和文化背景5。在中文多语言理解测试中得分较高，远超 Llama 3.14。
- 生成速度快：
  - DeepSeek-V3 支持多单词预测，生成效率提升了 3 倍，从原本每秒 20 个 token 的生成速率提升至 60 个 token，能更迅速高效地处理大规模文本生成任务。
- 多模态处理能力强
  - DeepSeek-VL 能够在不丢失语言能力的情况下处理多种类型的数据，包括逻辑图、网页、公式识别、科学文献、自然图像等，还能接受高达 1024x1024 的大尺寸分辨率图片输入，提高了对细节的识别能力。
成本与资源利用方面
- 训练成本低
  - DeepSeek-V3 的训练成本仅为 557 万美元，远低于 GPT-4 的约 1 亿美元以及 Meta 的 Llama 3.1 的 5 亿美元，在计算资源和硬件资源上的利用效率更高。
- 推理成本优势
  - DeepSeek 的使用成本为 0.0012 美元 / 千 token，成本效益优势明显，对于资源有限的企业或研究团队更具吸引力。
开源与生态方面
- 开源与商用授权
  - 提供开源商用授权政策，允许开发者自行部署、训练、微调和应用模型，为开发者和研究者提供了技术支持。
- 对开发者友好
  - 开源使开发者能够根据自己的需求调整和改进模型，在大规模分布式系统上部署时，能更好地掌控资源和计算效率，有效吸引开发者参与优化和定制，利于形成活跃的开发社区和丰富的应用生态。

三、蓝耘智算平台部署DeepSeek-R1操作过程

如何基于蓝耘智算平台快速使用DeepSeek呢，接下来看详细的操作过程。

3.1 注册账号

登录之后进入到下面的主页

3.1.1 余额检查

新用户首次注册并登录之后，平台默认会赠送一定额度的代金券，代金券可用于使用平台进行大模型的部署使用，跟其他类似的平台做法类似，如果代金券的额度消耗完毕，则需要充值。

3.2 部署DeepSeek-R1

3.2.1 获取DeepSeek-R1模型

进入应用市场之后，可以看到展现在首页第一个就是deepseek-r1模型，们这里以第一个模型deepseek-r1_1.5b_7b_8b进行举例，当然左侧还有很多其他类型的大模型，可以根据自己的需要进行选择。

3.2.2 应用介绍与说明

DeepSeek在R1模型的基础上，使用Qwen和Llama蒸馏了几个不同大小的模型，适配目前市面上对模型尺寸的最主流的几种需求。Qwen和Llama系列模型架构相对简洁，并提供了高效的权重参数管理机制，适合在大模型上执行高效的推理能力蒸馏。蒸馏的过程中不需要对模型架构进行复杂修改，减少了开发成本。【默认账号：lanyunuser@lanyun.net 密码：lanyunuser】