DeepSeek-R1本地部署与LoRA微调实战指南

1. 项目概述：从零开始部署与训练 DeepSeek 大模型

“DeepSeek 部署 训练”这六个字，是当前国内大模型落地实践中最真实、最高频、也最容易踩坑的关键词组合。它不是一句空泛的技术口号，而是企业技术负责人凌晨三点还在调试的 CUDA 内存报错，是高校实验室学生反复重装三次驱动后终于跑通 LoRA 微调的截图，是创业团队用一台二手 3090 搭建内部知识助手时，在 Ollama 和 LLaMA-Factory 之间反复权衡的决策日志。我过去三年带过 17 个不同行业的模型落地项目，从金融风控问答到制造业设备手册解析，从律所合同比对到三甲医院病历摘要生成，所有成功案例的起点，都绕不开这六个字背后的真实动作： 把 DeepSeek 模型稳稳地“装进”你的机器里，并让它真正学会你想要的本领。

这不是在教你怎么点开 HuggingFace 下载一个 .bin 文件——那是入门；这也不是在讲“如何用 API 调用云端 DeepSeek”——那是外包。我们要做的是 掌控权回归本地 ：知道模型文件怎么组织、显存怎么分配、LoRA 的 adapter 权重存在哪、为什么 instruction 和 input 字段要拼成 "### Instruction:\n{instruction}\n\n### Input:\n{input}\n\n### Response:\n" 这种固定格式、以及当 CUDA out of memory 报错时，到底是该换卡、改 batch size，还是动 DeepSpeed 的 stage3_max_live_parameters 参数。这些细节，文档里往往一笔带过，但实操中差之毫厘，谬以千里。

你不需要是 CUDA 架构专家，但得清楚 A10 24G 显存和 4090 24G 显存的内存带宽差异对推理吞吐的影响；你不必手写反向传播，但得明白为什么微调时 lora_r=8 比 lora_r=64 更省显存，又为什么 lora_alpha=16 会影响最终效果的“保真度”。这篇文章就是为你写的——一个不讲虚的、不堆术语的、每一步都带着“我试过”“这里翻过车”“实测有效”的硬核指南。无论你是刚配好 Ubuntu 22.04 的新手，还是已经用过 Ollama 但卡在 ollama run deepseek:7b 下载超时的进阶用户，或是正被 llama-factory WebUI 里几十个参数搞得眼花缭乱的工程师，都能在这里找到可直接抄作业的方案、避坑口诀，以及最关键的—— 为什么这么干 。

核心关键词“deepseek”“部署”“训练”在此语境下有明确指向： deepseek 特指 DeepSeek-R1 系列开源模型（尤其是 Distill-Qwen-7B、R1-7B、R1-32B 等主流版本），而非闭源 API； 部署 指在本地或私有云环境完成模型加载、服务暴露（如 OpenWebUI、Ollama、vLLM）、API 接入（如 Dify、AnythingLLM）的全链路； 训练 则聚焦于高效微调（Fine-tuning），特别是 LoRA、QLoRA 等参数高效方法，而非从头预训练。所有内容严格围绕这三个词展开，不发散、不炫技、不讲“未来趋势”，只解决今天你打开终端后，接下来该敲什么命令、改哪行配置、看哪个日志的关键问题。

2. 整体设计思路与方案选型逻辑

2.1 为什么放弃“一键脚本”，坚持手动构建全流程？

市面上充斥着“5分钟部署 DeepSeek”的宣传，背后往往是封装了大量黑盒逻辑的 Docker 镜像或 GUI 工具。我曾帮一家省级政务云平台排查过一个“一键部署失败”的问题，最后发现是镜像里预装的 flash-attn 版本与 CUDA 12.1 不兼容，而错误日志被层层包装，最终定位到 cuda/flash_attn_2_cuda.cu 第 87 行的 __half2 类型定义冲突。这种问题，靠点按钮永远解决不了。因此，本文的设计起点非常明确： 所有步骤必须可追溯、可调试、可替换 。我们不追求“最快上手”，而追求“最稳落地”。当你在生产环境遇到 OOM 或 NaN loss ，你能立刻打开 nvidia-smi 看显存分布，能 cat /proc/meminfo | grep MemAvailable 查系统内存，能 grep -r "stage3" ~/.local/lib/python3.10/site-packages/deepspeed/ 定位 DeepSpeed 配置源码——这才是工程师该有的掌控力。

2.2 三大核心路径的取舍：Ollama、LLaMA-Factory、Docker 原生部署

面对“部署”需求，实际只有三条主干道可走，每条都有其不可替代的适用场景，不存在“最好”，只有“最适合”。

• Ollama 路径 ：适合 快速验证、轻量级应用、非技术用户 。它的价值在于将模型加载、量化、服务启动压缩成一条命令 ollama run deepseek:7b ，并内置了 ollama serve 的 HTTP API。但代价是高度封装——你无法干预模型加载时的 device_map 分配策略，不能动态切换 flash-attn 后端，更无法在推理时注入自定义的 prompt template。当你的需求是“让销售同事能问产品参数”，Ollama 是神；当你的需求是“让客服机器人严格按 SOP 流程回答，且每个环节需审计日志”，Ollama 就成了瓶颈。

• LLaMA-Factory 路径 ：这是本文的 绝对主线 ，也是“部署+训练”双目标的黄金平衡点。它不是一个黑盒，而是一个精心设计的“乐高积木”：底层是 PyTorch + Transformers + DeepSpeed 的工业级组合，上层是 Gradio WebUI 提供的可视化操作界面。你可以完全跳过 WebUI，直接用 llamafactory-cli train 命令行启动训练；也可以在 WebUI 里拖拽式配置数据集、选择 LoRA 参数、实时监控 loss 曲线。最关键的是，它强制你理解数据格式（Alpaca JSON）、训练范式（SFT、RM、PPO）、以及硬件适配逻辑（ --deepspeed ds_z3_config.json ）。我经手的所有企业级微调项目，90% 都基于 LLaMA-Factory 二次开发，因为它把“可控性”和“易用性”做到了极致。

• Docker 原生部署路径 ：适合 生产环境交付、CI/CD 集成、多模型统一管理 。它要求你亲手编写 Dockerfile ，明确指定基础镜像（ nvidia/cuda:12.2.0-devel-ubuntu22.04 ）、安装依赖（ pip install transformers==4.41.0 flash-attn==2.6.3 ）、挂载模型路径（ -v /data/models:/root/models ）、暴露端口（ -p 8000:8000 ）。好处是环境完全隔离、版本精确锁定、可一键部署到 K8s 集群；坏处是学习曲线陡峭，一个 apt-get update 的源没配对，整个镜像构建就失败。如果你的团队已有成熟的 DevOps 流水线，这条路径是必选项；如果还在摸索阶段，建议先用 LLaMA-Factory WebUI 跑通流程，再逐步容器化。

提示：不要试图“三者合一”。我见过太多人想用 Ollama 加载模型，再用 LLaMA-Factory 的 WebUI 去微调——这是行不通的。Ollama 的模型格式（GGUF）和 LLaMA-Factory 的格式（HuggingFace safetensors）是两套体系，强行转换会丢失 LoRA 适配器权重。选一条路，走到底，再考虑扩展。

2.3 训练方案的核心逻辑：为什么是 LoRA，而不是 Full Fine-tuning 或 P-Tuning？

“训练”二字在大模型语境下极易引发误解。很多人第一反应是“我要训练一个自己的 DeepSeek”，这成本极高——R1-7B 全参微调需要至少 4 张 A100 80G，训练周期以周计。而实际业务中，95% 的需求只是“让模型更懂我的业务术语”。这就引出了参数高效微调（PEFT）的核心思想： 冻结原始模型权重，只训练少量新增参数 。LoRA（Low-Rank Adaptation）正是其中最成熟、最易用的方案。

它的数学本质很简单：对原始权重矩阵 W ，不直接更新 W ，而是添加一个低秩分解的增量 ΔW = B × A ，其中 A 是 d × r 矩阵， B 是 r × k 矩阵， r （rank）通常设为 8 或 16，远小于 d 和 k （模型隐藏层维度，如 4096）。这意味着，训练时只需优化 A 和 B 这两个小矩阵，显存占用从 O(d×k) 降到 O(d×r + r×k) ，降幅达 90% 以上。更重要的是，LoRA 适配器可以像插件一样热插拔：一个基础模型 DeepSeek-R1-7B ，可以同时拥有 finance_lora 、 medical_lora 、 legal_lora 三个独立的适配器，根据请求动态加载，实现“一模多能”。

相比之下，Full Fine-tuning 虽然效果上限更高，但成本和风险巨大；P-Tuning 则需要修改模型结构，对 DeepSeek 这类原生支持 LoRA 的模型来说，纯属画蛇添足。所以，本文所有训练实践，均以 LoRA 为默认方案，并在关键参数（ lora_r , lora_alpha , lora_dropout ）上给出经过 12 个真实项目验证的推荐值。

2.4 硬件选型的硬核计算：显存不是越大越好，而是“够用+留余”

很多初学者陷入一个误区：显卡越贵越好。其实，显存利用率才是关键指标。我们来算一笔账：以 DeepSeek-R1-Distill-Qwen-7B（约 7B 参数）为例，FP16 精度下，仅模型权重就占 7e9 × 2 bytes ≈ 14GB 显存。加上梯度（14GB）、优化器状态（AdamW，约 28GB），全参微调理论需 14+14+28=56GB 显存——这就是为什么单卡 A100 80G 是底线。

但 LoRA 微调完全不同。假设 lora_r=8 , lora_alpha=16 , lora_dropout=0.1 ，则新增参数量约为 2 × (4096 × 8 + 8 × 4096) ≈ 131K ，FP16 存储仅 0.26MB ，可忽略不计。此时显存主要消耗在：

• 模型权重（14GB，只读）
• 梯度（仅 LoRA 参数，≈0.5MB）
• 优化器状态（仅 LoRA 参数，≈1MB）
• 中间激活（Activation） ：这是最大变量！它与 batch_size 、 max_length 、 num_layers 强相关。实测在 A10 24G 上， batch_size=2 , max_length=2048 时，激活占用约 18GB，总显存占用 14+18=32GB ，刚好卡在临界点。

因此，硬件选型公式是： 显存 ≥ 模型权重（FP16） + 激活峰值 × 1.2（安全余量） 。A10 24G 可跑 7B LoRA；RTX 4090 24G 因带宽更高，实际吞吐优于 A10；而 3090 24G 虽同容量，但因 PCIe 4.0 带宽限制，在多卡并行时易成瓶颈。这就是为什么本文所有案例均以 A10 为基准，而非简单罗列“支持 3090/4090/A100”。

3. 核心细节解析与实操要点

3.1 模型获取：为什么 ModelScope 是国内用户的最优解？

HuggingFace 是全球标准，但对国内用户而言， git clone 一个 15GB 的模型仓库，大概率会卡在 Downloading objects: 100% (12345/12345), 12.34 GB | 123 KB/s 这一行，然后超时失败。这不是网络问题，而是 HuggingFace 的 CDN 节点在国内访问策略导致的。ModelScope（魔搭）作为阿里系开源平台，其镜像源针对国内网络做了深度优化，实测下载速度稳定在 8~12MB/s ，是 HuggingFace 的 5~10 倍。

更重要的是，ModelScope 提供了 模型即服务（MaaS） 的便捷性。例如，DeepSeek-R1-Distill-Qwen-7B 在 ModelScope 的地址是 https://www.modelscope.cn/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B ，你无需 git clone ，直接用 snapshot_download API 即可精准拉取：

# 安装 modelscope
pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple

# 一行命令下载（自动处理 lfs 大文件，比 git clone 快 3 倍）
from modelscope import snapshot_download
model_dir = snapshot_download('deepseek-ai/DeepSeek-R1-Distill-Qwen-7B')
print(f"模型已下载至: {model_dir}")

这个 snapshot_download 函数会智能判断哪些文件是 LFS 大对象，跳过 .git 目录的元数据，直接下载二进制文件，下载完成后目录结构与 HuggingFace 完全一致，可无缝接入 LLaMA-Factory 或 vLLM。我测试过 23 个主流模型，ModelScope 的成功率是 100%，而 HuggingFace 在国内的成功率不足 40%。这是经验，不是玄学。

注意：下载后务必执行 git lfs prune -f 清理 .git/lfs 目录。这个目录会残留所有历史版本的 LFS 指针文件，占用数 GB 空间，且对运行毫无用处。很多用户抱怨“磁盘爆满”，根源就在这里。

3.2 环境搭建：CUDA 12.2 与 PyTorch 2.3 的黄金组合

DeepSeek-R1 系列模型大量使用 FlashAttention-2（FA2）进行高效 attention 计算，而 FA2 对 CUDA 版本有强依赖。官方推荐 CUDA 12.1，但实测 CUDA 12.2 更稳定。原因在于：CUDA 12.2 修复了 12.1 中一个关于 cub::DeviceSegmentedReduce::Sum 的原子操作 bug，该 bug 会导致 FA2 在长序列（ max_length > 4096 ）推理时出现 nan 输出。这不是危言耸听，我在一个法律文书摘要项目中，就因此浪费了两天时间排查“模型输出乱码”问题，最终定位到 CUDA 版本。

PyTorch 版本同样关键。PyTorch 2.2 开始全面支持 torch.compile() ，但 DeepSeek 的 RotaryEmbedding 实现与 compile 存在兼容性问题，会导致 RuntimeError: Compiled functions can't take variable number of arguments 。PyTorch 2.3 则修复了此问题，并对 flash-attn 的集成做了深度优化。因此，我们的环境组合是：

• CUDA 12.2.0
• PyTorch 2.3.1+cu121 （注意：PyTorch 2.3.1 的 cu121 包实际完美兼容 CUDA 12.2，这是 NVIDIA 官方保证的 ABI 兼容性）
• transformers 4.41.0
• flash-attn 2.6.3

安装命令必须严格按此顺序：

# 1. 先装 PyTorch（指定 cu121，但运行在 cu122 上）
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# 2. 再装 flash-attn（必须加 --no-build-isolation，否则会编译旧版 cuda）
pip3 install flash-attn --no-build-isolation -i https://pypi.tuna.tsinghua.edu.cn/simple

# 3. 最后装 transformers 和其他依赖
pip3 install transformers==4.41.0 datasets accelerate peft trl -i https://pypi.tuna.tsinghua.edu.cn/simple

提示： --no-build-isolation 是关键。它强制 pip 使用当前环境的 CUDA 工具链编译 flash-attn，而非创建隔离环境。很多用户跳过这步，结果装上了 flash-attn 2.3.0 （不支持 FA2），导致模型加载时报 ModuleNotFoundError: No module named 'flash_attn_2_cuda' 。

3.3 数据格式精解：Alpaca JSON 的 instruction 与 input 如何拼接？

LLaMA-Factory 默认使用 Alpaca 格式，一个典型样本长这样：

{
  "instruction": "解释什么是量子纠缠",
  "input": "用高中生能听懂的语言，举一个生活中的例子",
  "output": "量子纠缠就像一对魔法骰子..."
}

但很多人不知道， instruction 和 input 并非直接拼接。LLaMA-Factory 的 data_collator 会将其格式化为：

### Instruction:
解释什么是量子纠缠

### Input:
用高中生能听懂的语言，举一个生活中的例子

### Response:
量子纠缠就像一对魔法骰子...

这个模板（prompt template）是硬编码在 src/llamafactory/data/templates.py 里的。如果你的数据 input 字段为空（如 "input": "" ），它会自动省略 ### Input: 行，只保留 ### Instruction: 。但如果你的业务数据天然包含“上下文”和“问题”两部分（如客服对话日志），就必须严格区分： instruction 是任务描述（“请根据以下对话，总结客户投诉点”）， input 是原始对话文本。

我曾帮一家电商公司微调客服模型，他们最初把整段对话塞进 instruction ，结果模型学会了复述对话，却不会总结。后来改为：

{
  "instruction": "请从以下客服对话中，提取客户的核心投诉点，用一句话概括，不超过20字。",
  "input": "客户：我上周买的手机，充电器插上没反应。客服：请问您用的是原装充电器吗？客户：是的，盒子都没拆。客服：请您尝试重启手机...",
  "output": "手机充电器插上无反应"
}

效果立竿见影。所以， instruction 是“你要做什么”， input 是“你依据什么做” 。这个认知，比任何参数调优都重要。

3.4 LoRA 参数详解： lora_r , lora_alpha , lora_dropout 的实战取值

LoRA 的三个核心参数，网上教程常给“经验值”，但缺乏场景化解释。结合 12 个项目的实测数据，我的结论如下：

• lora_r （Rank） ：决定低秩矩阵的维度。 r=8 是通用起点，适用于 7B 模型的大多数业务场景（如知识库问答、报告生成）。 r=16 会提升效果上限，但显存占用增加约 30%，且在小数据集（<1000 条）上易过拟合。 r=4 虽省显存，但效果衰减明显，仅推荐用于边缘设备（如 Jetson Orin）。

• lora_alpha （Scaling Factor） ：控制 LoRA 增量对原始权重的影响强度。 alpha=16 是黄金比例，因为 alpha/r = 2 ，这是一个经验上效果与稳定性平衡的值。 alpha=32 会让模型更“激进”地偏离原始行为，适合需要强领域定制的场景（如医疗诊断）； alpha=8 则更保守，适合微调数据质量不高时，防止灾难性遗忘。

• lora_dropout （Dropout Rate） ：防止 LoRA 适配器过拟合。 dropout=0.1 是标配，对 7B 模型足够。 dropout=0.05 适合大数据集（>10K 条）； dropout=0.2 适合小数据集或噪声较多的数据，但会略微降低收敛速度。

一个关键技巧： 不要同时调高 r 和 alpha 。比如 r=16, alpha=32 的组合，显存占用会飙升，且效果未必优于 r=8, alpha=16 。我的建议是：先固定 r=8, alpha=16, dropout=0.1 跑通 baseline，再根据验证集 loss 和人工评测，单变量调整。

4. 实操过程与核心环节实现

4.1 从零开始：Ubuntu 22.04 上手动部署 LLaMA-Factory（含 GPU 驱动）

这是最可控、最透明的部署方式。我们以一台全新安装的 Ubuntu 22.04 服务器（内核 5.15）为例，全程记录每一步命令和背后的意图。

第一步：安装 NVIDIA 驱动与 CUDA

# 更新系统并安装基础工具
sudo apt update && sudo apt upgrade -y
sudo apt install -y ubuntu-drivers-common build-essential linux-headers-$(uname -r)

# 自动检测并安装推荐驱动（通常为 nvidia-driver-535）
sudo ubuntu-drivers autoinstall

# 重启使驱动生效
sudo reboot

# 验证驱动安装
nvidia-smi  # 应显示 GPU 信息和驱动版本

注意： ubuntu-drivers autoinstall 比手动下载 .run 文件更安全，它会自动处理 DKMS 模块签名，避免 NVRM: API mismatch 错误。我曾因手动安装驱动导致内核升级后 GPU 失效，重装系统三次。

第二步：安装 CUDA 12.2

# 下载 CUDA 12.2 runfile（官网链接，国内可直连）
wget https://developer.download.nvidia.com/compute/cuda/12.2.0/local_installers/cuda_12.2.0_535.54.03_linux.run

# 运行安装程序，**关键：取消勾选 "Install NVIDIA Accelerated Graphics Driver"**
# 因为驱动已由上一步安装，重复安装会导致冲突
sudo sh cuda_12.2.0_535.54.03_linux.run

# 添加环境变量到 ~/.bashrc
echo 'export PATH=/usr/local/cuda-12.2/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.2/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

# 验证 CUDA
nvcc --version  # 应显示 release 12.2, V12.2.140

第三步：安装 Miniconda 与 LLaMA-Factory

# 下载并安装 Miniconda（轻量，避免污染系统 Python）
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda3
$HOME/miniconda3/bin/conda init bash
source ~/.bashrc

# 创建专用环境
conda create -n llamafactory python=3.10 -y
conda activate llamafactory

# 安装 PyTorch（cu121，兼容 cu122）
pip install torch==2.3.1+cu121 torchvision==0.18.1+cu121 torchaudio==2.3.1 --index-url https://download.pytorch.org/whl/cu121

# 安装 flash-attn（必须 --no-build-isolation）
pip install flash-attn==2.6.3 --no-build-isolation -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装 LLaMA-Factory 主体
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
pip install -e ".[torch,metrics]" -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install deepspeed -i https://pypi.tuna.tsinghua.edu.cn/simple

第四步：下载模型并启动 WebUI

# 创建模型目录
mkdir -p ~/models

# 使用 ModelScope 下载 DeepSeek-R1-Distill-Qwen-7B
pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple
python -c "
from modelscope import snapshot_download
snapshot_download('deepseek-ai/DeepSeek-R1-Distill-Qwen-7B', cache_dir='~/models')
"

# 启动 WebUI（绑定 0.0.0.0，允许外网访问）
llamafactory-cli webui --host 0.0.0.0 --port 7860

此时，访问 http://<your-server-ip>:7860 ，即可看到 LLaMA-Factory WebUI。整个过程约 25 分钟，所有命令均可复制粘贴执行。没有黑盒，没有魔法，只有清晰的依赖链条。

4.2 微调全流程：以天翼云文档数据集为例

我们以天翼云官方提供的 alpaca_zh_ctyun.json 数据集为例，演示一次完整的 LoRA 微调。该数据集包含 200 条高质量样本，覆盖云主机规格、计费模式、安全组配置等核心知识点。

数据准备与验证

首先，将数据集放入 data/ 目录，并创建 dataset_info.json 描述文件：

// data/dataset_info.json
{
  "alpaca_zh_ctyun": {
    "hf_hub_url": null,
    "local": "data/alpaca_zh_ctyun.json",
    "name": "alpaca_zh_ctyun",
    "script": null,
    "split": "train",
    "type": "alpaca"
  }
}

关键是要验证数据格式是否正确。用 Python 快速检查：

import json
with open("data/alpaca_zh_ctyun.json") as f:
    data = json.load(f)
print(f"数据集大小: {len(data)}")
print(f"第一条样本: {data[0]}")
# 应输出类似: {'instruction': '天翼云的通用型弹性云主机有哪些规格？', 'input': '', 'output': '...'}

WebUI 配置详解

进入 Train 页面，逐项配置：

• Model : 选择 Custom ，Model Name 填 deepseek-r1-distill-qwen-7b ，Model Path 填 /home/youruser/models/deepseek-ai___DeepSeek-R1-Distill-Qwen-7B （注意路径中的 ___ 是 ModelScope 自动生成的分隔符）。
• Dataset : 选择 alpaca_zh_ctyun ，Split 选 train 。
• Template : 保持默认 qwen ，因为 DeepSeek-R1 基于 Qwen 架构，共享相同的 tokenizer 和 prompt template。
• Finetuning Type : 选择 LoRA 。
• LoRA Configuration :
  • lora_target : q_proj,v_proj,k_proj,o_proj,gate_proj,up_proj,down_proj （覆盖所有注意力和 FFN 层）
  • lora_r : 8
  • lora_alpha : 16
  • lora_dropout : 0.1
• Training Arguments :
  • per_device_train_batch_size : 2 （A10 24G 的安全值）
  • gradient_accumulation_steps : 4 （等效 batch_size = 2 × 4 × num_gpus）
  • num_train_epochs : 3 （小数据集，3 轮足够）
  • learning_rate : 2e-4 （LoRA 的标准学习率）
  • warmup_ratio : 0.1 （前 10% 步骤线性预热）

启动训练与监控

点击 Start 后，WebUI 会显示实时日志。重点关注：

• Step 100/1500 : 当前训练步数/总步数
• loss: 1.2345 : 当前 loss，应呈下降趋势
• lr: 2.00e-04 : 当前学习率（预热期后稳定在此值）

如果出现 CUDA out of memory ，不要慌。这是最常见问题，解决方案是：

1. 立即降低 per_device_train_batch_size 到 1
2. 启用 DeepSpeed ZeRO-3 ：在 Arguments -> DeepSpeed 中，选择 ds_z3_config.json （LLaMA-Factory 已内置）
3. 手动优化 ds_z3_config.json （关键！）：

   "zero_optimization": {
     "stage": 3,
     "stage3_max_live_parameters": 1000,  // 从默认 1e4 降到 1000，大幅减显存
     "stage3_max_reuse_distance": 1000,    // 同上
     "stage3_prefetch_bucket_size": "auto",
     "reduce_bucket_size": "auto"
   }
   

   这两个参数是显存杀手，实测将它们从 1e4 降到 1000 ，可释放 6GB 显存，且不影响训练效果。

训练完成后，模型权重保存在 output/ 目录下，是一个包含 adapter_model.bin 和 adapter_config.json 的文件夹。这就是你的专属 LoRA 适配器。

4.3 部署推理服务：Ollama 与 vLLM 的双轨制

微调完成，下一步是让业务系统能调用。我们提供两种互补方案：

方案一：Ollama 快速封装（适合原型验证）

Ollama 本身不支持 LoRA，但我们可以将 LoRA 适配器合并到基础模型中，生成一个“新模型”：

# 1. 安装 ollama（官网下载，或用 apt）
curl -fsSL https://ollama.com/install.sh | sh

# 2. 创建 Modelfile
echo 'FROM /home/youruser/models/deepseek-ai___DeepSeek-R1-Distill-Qwen-7B
ADAPTER /home/youruser/LLaMA-Factory/output/lora/sft/adapter_model.bin' > Modelfile

# 3. 构建模型（ollama 会自动执行 merge）
ollama create deepseek-ctyun -f Modelfile

# 4. 运行
ollama run deepseek-ctyun

此时， deepseek-ctyun 就是一个融合了天翼云知识的独立模型，可直接用 ollama list 查看，用 curl http://localhost:11434/api/chat -d '{"model":"deepseek-ctyun","messages":[{"role":"user","content":"天翼云弹性云主机有哪些规格？"}]}' 调用。

方案二：vLLM 高性能部署（适合生产环境）

vLLM 是当前最快的开源推理引擎，支持 PagedAttention，显存利用率比 HuggingFace Transformers 高 2~3 倍。部署命令：

# 安装 vLLM（需 CUDA 12.1+）
pip install vllm -i https://pypi.tuna.tsinghua.edu.cn/simple

# 启动 API 服务（合并 LoRA）
python -m vllm.entrypoints.openai.api_server \
  --model /home/youruser/models/deepseek-ai___DeepSeek-R1-Distill-Qwen-7B \
  --enable-lora \
  --lora-modules ctyun=/home/youruser/LLaMA-Factory/output/lora/sft \
  --tensor-parallel-size 1 \
  --dtype half \
  --gpu-memory-utilization 0.95

然后，用标准 OpenAI SDK 调用：

from openai import OpenAI
client = OpenAI(base_url="http://localhost:8000/v1", api_key="token-abc123")
response = client.chat.completions.create(
  model="deepseek-ai/DeepSeek-R1-Distill-Qwen-7B",
  messages=[{"role": "user", "content": "天翼云弹性云主机有哪些规格？"}],
  extra_body={"lora_name": "ctyun"}  # 指定加载哪个 LoRA
)
print(response.choices[0].message.content)

vLLM 的优势在于： 一个服务进程，可动态加载多个 LoRA 适配器 ，通过 extra_body 参数切换，实现“一服务，多能力”，这是 Ollama 无法做到的。

4.4 桌面 GUI 部署：CherryStudio 与 OpenWebUI 的选型指南

对于非技术用户或需要图形化交互的场景，GUI 工具是刚需。目前两大主流是 CherryStudio 和 OpenWebUI。

• CherryStudio ：基于 Electron，跨平台（Win/Mac/Linux），界面极简，主打“开箱即用”。它内置了 Ollama、LM Studio、Text Generation WebUI 的连接器。优点是安装包小（<100MB），启动快；缺点是功能较浅，不支持 LoRA 管理，仅