我们之前在Windows系统中测试了部署DeepSeek-R1（哪怕用笔记本的4070显卡运行DeepSeek，都要比128核的CPU快得多！），也在Linux系统中做了测试（用Anything LLM来一场关于SD-WAN的开卷考试，DeepSeek-R1和QwQ谁更胜一筹？），并对DeepSeek-R1不同规模参数的模型做了横向比较（目前来看，ollama量化过的DeepSeek模型应该就是最具性价比的选择）。
平心而论，DeepSeek的实力确实堪称业界翘楚，到目前也基本处于领先水平。对Windows和Linux用户而言，准备环境犹如八仙过海，各显神通，需要安装GPU驱动、CUDA和cuDNN环境等等，DeepSeek正火的时候到处不少人都还是付费安装的呢。
换到macOS平台，顿时有了柳暗花明又一村的感觉，尤其得益于统一内存架构，无需准备GPU相关的驱动环境，即可直接运行。今天，就让我们来简单体验一下。
首先，我们还是到ollama官网下载安装包。
https://ollama.com/download
下载之后，我们会获取到一个ollama.dmg的安装文件。
像安装其他Mac应用一样，我们双击打开它，然后将Ollama的图标拖拽到Applications文件夹中，就完成了ollama的安装。
安装完成后，我们打开终端，输入ollama命令来检查是否安装成功。
有回显，安装成功。接下来，我们还是在ollama官网查看DeepSeek-R1模型信息，发现使用ollama run deepseek-r1命令拉取模型时，默认使用的模型是INT4量化后的8B参数模型，而之前我记得是INT4量化后的7B参数模型，不知道是我记错了还是确实变化了？
然后，我们先运行命令ollama pull deepseek-r1拉取模型文件，确认一下模型信息。
模型文件大小为5.2 GB，还真是8B参数的模型，不过相比于之前的4.58 GB大了13.5%，应该准确度更高了吧。
模型加载也很快，我也特别留意了资源占用情况，发现模型加载之后，ollama进程占用了5.48 GB内存。（PS：这里的WindowsServer是个什么鬼？）
之前我没有注意，现在的ollama也提供了一个可以对话的用户界面，再也不用在命令行进行测试了。而且，整体回答速度还是比较快的，大概每秒10-20个输出吧。
观察内存利用率，我们发现，设备的已使用内存始终处于比较高的水平，在提问思考过程中大概占用了300 MB的运行内存；不过，在回答结束之后，图形化展示的内存压力有一个很明显的下降，
总而言之，在macOS上部署DeepSeek-R1可谓是大道至简，一共只需要两步：
1、下载并安装ollama软件；
2、拉取并运行DeepSeek-R1模型。
然后就可以对话了。得益于Mac mini的独特设计，在深度思考时，也不会像NVIDIA GPU一样，风扇呜呜直转，怪不得不少工作室都用Mac来进行AI训练呢。而且，512 GB运行内存的Mac Studio也只要10万块，如果是NVIDIA的GPU，差不多要四五十万了，相比之下，Mac的性价比简直是四两拨千斤。
声明：来自铁军哥，仅代表创作者观点。链接：https://eyangzhen.com/3710.html
