本文详细介绍了Deepseek开源大模型的部署与微调方法。指导如何根据实际需求选择合适模型，并以Deepseek-LLM-7B为例说明特性与部署。提供了使用Ollama一键部署的方法，以及通过QLoRA进行高效微调的完整流程，包括数据准备和代码实现。同时介绍了LoRA适配器合并方法和RAG技术作为微调替代方案，帮助开发者低成本应用大语言模型解决实际问题。
最近很多研究都和AI相关，特别是大语言模型。大模型确实能解决非常多的问题，很多课题组都在构建细分领域的高效能模型。最近也在做了一些部署和微调的工作。
本分享以Deepseek的开源方案为例，其他模型参考。
目前可用的开源模型非常多，如何选择呢？按照个人经验，模型选择没有必要以参数大小作为唯一标准，要以实际情况为准。如果是个人使用的单个场景的使用，如使用模型进行代码修改这种单一场景，Deepseek Coder V2-16B是完全足够的，而且需要的物理机要求相对低。
本次以7B的模型为例子：
DeepSeek-LLM-7B：通用中英双语，分base与chat两个权重；上下文长度 4096；官方给出显存/序列长度/批量的占用表（见下）。许可为 DeepSeek 模型许可（代码 MIT，权重受模型许可约束，可商用）。
DeepSeek-R1 系列（7B 蒸馏）：推理能力更强，常见“Distill-Qwen-7B”等；在 Ollama 里可一键运行，R1 系列权重标注为****MIT（具体以发布页为准）。官方 7B 显存参考（BF16，A100-40G）：序列 4096、batch=1 时约21.25 GB；序列 2048、batch=1 时约16.37 GB。做低显存部署可用 4-bit 量化或 GGUF。
个人部署使用Ollama 一键运行，最简单。
安装Ollama后，打开CMD：
ollama pull deepseek-llm:7b-chat ## 拉取模型 ollama run deepseek-llm:7b-chat ## 模型运行用你自己的数据做微调（推荐 QLoRA）：
目标：离线训练 LoRA 适配器→ （可选）合并回基座 → 本地部署；
pip install -U transformers datasets accelerate peft bitsandbytes trl unsloth ## NVIDIA CUDA 环境建议：pip 安装对应 cu11x/cu12x 版本的 bitsandbytes/unsloth ## TRL 的 SFTTrainer + PEFT/QLoRA 是当前主流轻量微调路径。准备数据（准备数据是需要花费最多时间的）
指令聊天格式（JSONL）（适合 7B-chat）：
每行一个样本：
{"messages":[ {"role":"user","content":"请根据这段病史总结主要危险因素……"}, {"role":"assistant","content":"总结：1）…… 2）…… 3）……"} ]}开始训练模型：
import torch from datasets import load_dataset from transformers import (AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig, TrainingArguments) from trl import SFTTrainer, SFTConfig from peft import LoraConfig model_id = "deepseek-ai/deepseek-llm-7b-chat" # 4-bit 量化以节省显存 bnb = BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_quant_type="nf4", bnb_4bit_compute_dtype=torch.bfloat16) tok = AutoTokenizer.from_pretrained(model_id, use_fast=True) tok.pad_token = tok.eos_token model = AutoModelForCausalLM.from_pretrained( model_id, quantization_config=bnb, device_map="auto" ) peft = LoraConfig( r=16, lora_alpha=16, lora_dropout=0.05, bias="none", task_type="CAUSAL_LM", target_modules=["q_proj","k_proj","v_proj","o_proj","gate_proj","up_proj","down_proj"] ) # 将 JSONL 转为 HuggingFace Dataset，字段为 "messages" ds = load_dataset("json", data_files={"train":"train.jsonl"})["train"] def format_chat(ex): # 使用 HF chat template 生成纯文本 return tok.apply_chat_template(ex["messages"], tokenize=False, add_generation_prompt=False) ds = ds.map(lambda x: {"text": format_chat(x)}) args = TrainingArguments( output_dir="outputs/lora", per_device_train_batch_size=2, gradient_accumulation_steps=8, learning_rate=1e-4, num_train_epochs=2, fp16=False, bf16=True, logging_steps=10, save_steps=1000, save_total_limit=2, optim="paged_adamw_8bit", ) trainer = SFTTrainer( model=model, tokenizer=tok, train_dataset=ds, peft_config=peft, args=args, formatting_func=lambda x: x["text"], max_seq_length=2048, # 显存紧张时先用 2048；模型支持到 4096 ) trainer.train() trainer.model.save_pretrained("outputs/lora_adapter") tok.save_pretrained("outputs/lora_adapter")如果合并 LoRA 到基座权重：
from peft import AutoPeftModelForCausalLM from transformers import AutoTokenizer base = AutoPeftModelForCausalLM.from_pretrained( "outputs/lora_adapter", device_map="auto", torch_dtype=torch.bfloat16 ) merged = base.merge_and_unload() merged.save_pretrained("outputs/merged", safe_serialization=True) tok = AutoTokenizer.from_pretrained(model_id, use_fast=True) tok.save_pretrained("outputs/merged")如果要接入其他软件，比如微信聊天工具人，最好使用vLLM。最简单的是用 Ollama 的简洁桌面/CLI 生态，把合并后的 HF 模型打成自定义模型
FROM ./outputs/merged TEMPLATE "{{ .System }}\nUser: {{ .Prompt }}\nAssistant:" PARAMETER temperature 0.7然后：
ollama create my-deepseek-7b -f Modelfile ollama run my-deepseek-7bRAG（不微调也能“喂知识”）
如果你的数据主要是文档（PDF/表格/网页），可先用RAG：把文档向量化、检索后拼接进提示词。RAG 完全离线，可与 vLLM/Ollama 搭配（LangChain、LlamaIndex、Haystack 任一即可）。RAG 往往能覆盖 70–90% 的“私域知识问答”需求；只有当你需要风格/推理能力稳定迁移时再做 SFT/LoRA。
最后
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。
我整理出这套 AI 大模型突围资料包：
- ✅AI大模型学习路线图
- ✅Agent行业报告
- ✅100集大模型视频教程
- ✅大模型书籍PDF
- ✅DeepSeek教程
- ✅AI产品经理入门资料
完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
为什么说现在普通人就业/升职加薪的首选是AI大模型？
人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。
智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。
AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。
资料包有什么？
①从入门到精通的全套视频教程⑤⑥
包含提示词工程、RAG、Agent等技术点
② AI大模型学习路线图（还有视频解说）
全过程AI大模型学习路线
③学习电子书籍和技术文档
市面上的大模型书籍确实太多了，这些是我精选出来的
④各大厂大模型面试题目详解
⑤ 这些资料真的有用吗?
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业"的高效培养体系。
课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**
