我们前面介绍了通过在线方式部署本地的DeepSeek-R1模型（帮你省20块！仅需2条命令即可通过Ollama本地部署DeepSeek-R1模型），默认情况下，Ollama会被安装到C盘的用户目录下，例如：
C:\Users\%username%\AppData\Local\Programs\Ollama
而模型文件也会被保存到C盘的用户目录下，例如：
C:\Users\%username%.ollama\models\blobs
我们可以在安装时使用命令行更改安装路径，而模型的保存路径则需要单独修改，建议安装之前就进行调整。
模型的保存路径需要通过修改环境变量实现，在环境变量的“系统变量”部分，点击“新建”，变量名输入“OLLAMA_MODELS”，变量值填入我们期望的模型保存路径，例如“C:\ollama\models”。
然后点击两次“确定”保存更改。
接下来，我们使用以下命令行安装软件并更改安装路径：
.\OllamaSetup.exe /DIR=”C:\ollama\”
在弹出来的Ollama安装对话框中，点击【Install】开始安装程序。
在这里我们已经可以看到安装路径已经变了。
等待软件安装完成之后，界面会自动关闭。此时，模型文件夹就修改到我们手工设置的路径下了。
检查一下安装后的空间，占用磁盘大小为4.56 GB，再考虑到模型的存放，请合理安排安装路径和模型存放路径。
我们前面已经介绍过了如何通过命令自动下载并加载模型（帮你省20块！仅需2条命令即可通过Ollama本地部署DeepSeek-R1模型），可能有些有伙伴的网络不太好，这时可能就需要手工导入模型了。
有两种方式，第一种是直接把下载好的文件拷贝过来，不过这种模式的文件名不太友好。
模型在下载时会下载5个文件，分别是model（模型架构）、params（模型参数）、template（输入输出格式）、license（软件许可证文件）和校验文件，前面4个对应模型列表中的文件。
通过文件名我们已经看不出来谁是谁了，只能通过文件大小来简单判断。
除了这里的4个，还有一个校验文件，里面记录了模型的简要信息，以及其他4个文件的sha256校验值。
如果我们将这些文件直接拷贝到模型下载路径下面，在命令行执行下载命令即可快速完成加载。
缺点也是显而易见，就是如果准备了多个模型，文件的区分将是个大问题。
那接下来，我们换个思路，从校验文件中我们已经知道模型的格式为gguf，参数规模为1.8B，那我们将文件名修改一下；同时，创建一个Modelfile文件来描述模型的信息，文件内容如下：
FROM C:\ollama\models\blobs\deepseek-r1-1.8b-Q4_K_M.gguf
然后使用以下命令手动在Ollama中导入模型：
ollama create deepseek-r1-1.8b -f C:\ollama\models\blobs\Modelfile-deepseek-r1-1.8b.txt
此时，我们可以看到，之前的1.5b版本已经以崭新的1.8b形态面世了。
接下来，我们使用以下命令运行模型：
ollama run deepseek-r1-1.8b
我这里用了一个没有GPU的服务器，仅仅靠CPU也能比较顺畅的回答。
当然，如果想通过界面进行对话，也可以使用ChatBox，这是一款开源的桌面客户端，它旨在为用户提供一个便捷的方式与多种AI模型进行交互，如ChatGPT、Claude、Google Gemini Pro等。下载链接如下：
https://download.chatboxai.app/releases/Chatbox-1.9.8-Setup.exe
下载之后直接安装即可，完成安装之后运行客户端，在AI模型提供方这里，我们选择【使用自己的API Key或本地模型】。
提供方的选项有Ollama API和DeepSeek API两个选项，我们选择【Ollama API】。
在设置界面，API域名使用默认的即可，选择一个合适的模型，比如选择新建的1.8b版本，点击【保存】。
然后就可以在对话窗口开始聊天了。
对话过程中消耗的CPU还是比较大的，占用了64个核心，估计也是和底层的分配有关系，我分配的是128个核心，但是单物理CPU只有44个核心，所以只能是以32*4的形式分配。至于这里为啥只能用到一半？那就得问问开发人员了。
当然，本地CPU版本的性能会比较差，我又拿了一道数学题问了一下，算了一个多小时还没算明白。
可以看到，他开始的时候理解就出了问题，但是他坚持不懈地算了一个多小时，也停不下来，我都没办法纠正他。
好了，本次部署用到的文件我已经上传到云盘了，后台回复“deepseek”获取分享链接。
推荐阅读
帮你省20块！仅需2条命令即可通过Ollama本地部署DeepSeek-R1模型
成了！Tesla M4+Windows 10 + Anaconda + CUDA 11.8 + cuDNN + Python 3.11
一个小游戏里的数学问题，难倒了所有的人工智能：ChatGPT、DeepSeek、豆包、通义千问、文心一言
目前来看，通义千问好像勉强能和ChatGPT-3.5打个平手！
快，跑快点，ChatGPT-4模型免费用了
Ubuntu使用Tesla P4配置Anaconda+CUDA+PyTorch
Zabbix实战第一步：完成在Ubuntu Server的安装部署
Ubuntu磁盘空间不足或配置错误时，如何操作扩容？
Ubuntu安装、配置、操作、测评MySQL数据库全体验
当你买了一台Linux云主机，应该如何测试主机性能？
没有图形界面，如何快速部署一个Ubuntu 24.10的Server虚拟机
清华大模型ChatGLM3在本地Tesla P40上也运行起来了
一起学习几个简单的Python算法实现
用轻量应用服务器的注意了，0.5GB内存的规格请谨慎使用
声明：文中观点不代表本站立场。本文传送门：https://eyangzhen.com/424929.html
