Ollama本地部署DeepSeek-R1:14b完全指南

最新推荐文章于 2025-07-02 12:18:23 发布
原创 最新推荐文章于 2025-07-02 12:18:23 发布 · 3.5k 阅读 · 21 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #LLM #langchain #llama #开源大模型 #deepseek #程序员

前言

DeepSeek-R1-14b是一个强大的大语言模型，通过Ollama在本地部署这个模型，我们可以在保护隐私的同时享受高质量的AI服务。本指南将详细介绍如何在本地完成部署。

环境要求

在开始部署之前，请确保您的系统满足以下要求：

  1. 硬件要求：

  • 最低32GB RAM（推荐64GB以上）

  • 至少50GB可用存储空间

  • 支持CUDA的NVIDIA显卡（最低显存12GB）

  1. 软件要求：

  • 操作系统：Linux/MacOS/Windows

  • NVIDIA驱动（如果使用GPU）

  • Docker（可选，但推荐）

安装步骤

1. 安装Ollama

首先，我们需要安装Ollama。根据您的操作系统，选择相应的安装方法：

Linux系统：

curl https://ollama.ai/install.sh | sh

MacOS系统：

curl https://ollama.ai/install.sh | sh

Windows系统：

  • 从Ollama官网下载安装程序

  • 按照安装向导完成安装

2. 启动Ollama服务

安装完成后，启动Ollama服务：

ollama serve

3. 拉取DeepSeek模型

在新的终端窗口中执行：

ollama pull deepseek-coder:14b

注意：首次下载可能需要较长时间，取决于您的网络速度。建议使用稳定的网络连接。

4. 验证安装

下载完成后，验证模型是否正确安装：

ollama list

您应该能看到deepseek-coder:14b在已安装模型列表中。

优化配置

1. 创建自定义配置文件

创建一个名为Modelfile的文件：

FROM deepseek-coder:14b   PARAMETER temperature 0.7   PARAMETER top_p 0.9   PARAMETER top_k 40

2. 构建优化后的模型

使用自定义配置构建模型：

ollama create deepseek-custom -f Modelfile

3. 设置系统提示

为了获得更好的中文输出效果，可以添加系统提示：

FROM deepseek-custom   SYSTEM "你是一个专业的AI助手，请用流畅的中文回答问题。"

使用指南

1. 基本使用

启动模型对话：

ollama run deepseek-custom

2. 高级参数调整

使用特定参数运行模型：

ollama run deepseek-custom --context-length 4096 --memory-limit 24GB

3. API调用

如果需要通过API调用模型：

curl -X POST http://localhost:11434/api/generate -d '{     "model": "deepseek-custom",     "prompt": "请介绍一下你自己"   }'

性能优化建议

1. 内存管理

  • 使用--memory-limit参数控制内存使用

  • 适当调整batch-size优化处理速度

  • 定期清理缓存释放内存

2. GPU加速

如果使用GPU：

  • 确保NVIDIA驱动已正确安装

  • 使用nvidia-smi监控GPU使用情况

  • 适当调整显存使用量

常见问题解决

1. 内存不足

如果遇到内存不足问题：

  • 减小context length

  • 降低batch size

  • 关闭不必要的应用程序

2. 模型加载缓慢

优化加载速度的方法：

  • 使用SSD存储模型文件

  • 确保网络连接稳定

  • 考虑使用量化版本的模型

3. 输出质量问题

提升输出质量的方法：

  • 调整temperature参数

  • 优化系统提示词

  • 适当增加context length

安全注意事项

  1. 网络安全：

  • 限制API访问权限

  • 使用防火墙保护服务

  • 定期更新Ollama版本

  1. 数据安全：

  • 注意敏感信息保护

  • 定期备份重要数据

  • 控制访问权限

最佳实践建议

  1. 日常使用：

  • 定期检查系统资源使用情况

  • 保持模型更新

  • 建立使用日志记录

  1. 性能维护：

  • 定期清理缓存

  • 监控系统性能

  • 及时处理警告信息

结语

通过本指南的步骤，您应该已经成功在本地部署了DeepSeek-R1:14b模型。记住，模型的性能表现会受到硬件配置和参数设置的影响，建议根据实际使用情况进行适当调整。如果遇到问题，可以参考上述故障排除部分，或访问Ollama的官方文档获取更多帮助。

程序员为什么要学大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。

  • 内容：

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

  • 内容：

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

  • 内容：

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

Llama-Turbo
关注
【DeepSeek部署实战】基于Ollama+Chatbox零成本部署DeepSeek-R1系列模型攻略（Windows）
寻道AI，探索AI无限可能！
03-24 1587
在人工智能领域，DeepSeek 作为国产大模型的第一梯队选手，凭借其卓越的算法优化和高性能表现（支持代码生成、数学推理、多轮对话等场景）持续领跑行业。然而，尽管官方提供了免费的网页版服务，但在实际使用中，用户常常面临三大痛点：网络延迟高（尤其是在代码生成场景中）、隐私数据外泄风险以及高峰期服务器响应缓慢。为了解决这些问题，本文将介绍一种基于 Ollama 和 Chatbox 的黄金组合方案，手把手教您在 Windows 系统上实现零成本本地化部署 DeepSeek-R1 系列模型，
如何蒸馏 Deepseek-R1：全面指南 How to distill Deepseek-R1: A Comprehensive Guide
AI天才研究院
02-07 656
模型蒸馏是一种强大的技术，通过将知识从大型、复杂的模型（教师）转移到小型、更高效的模型（学生）来解决这一挑战。在这篇博客中，我们将通过专用技术如 LoRA（低秩自适应）来讲解如何将 DeepSeek-R1 的推理能力提炼到一个更小的模型，例如微软的 Phi-3-Mini。蒸馏后的推理：蒸馏响应引入了一种更详细和结构化的方法，包括一个明确的“思考”部分，概述了思维过程和推理，这对于生成针对复杂问题的准确响应将非常有帮助。请随意探索该模型，将其与您的任务进行基准测试，并分享您的反馈！
公司内搭建DeepSeek-r1 14b，windows 平台，Ollama PC本地化部署，Chatbox窗口端访问（可外网访问）
山顶听风的博客
02-10 1767
年后开始想自己在公司搭建deepseek-r1尝试下。
在游戏本(6G显存)上本地部署Deepseek，运行一个14B大语言模型，并使用API访问
冀辉的博客
02-05 8996
deepseek在大语言模型上的进步确实不错，相比最初的百川在CPU上运行14B模型输出一次对话要20分钟，deepseek使用1.5B时，完全可以在CPU上快速输出内容，性能提升非常显著，完全满足个人在笔记本上开发大模型应用的基本要求。虽然deepseek每次对话都要思考一下，使用了较多时间，但在实际输出内容时，还是比较快速的，在游戏本上至少可以每秒输出5个token以上。下面内容是我在自己的游戏本上测试结果，没有进行任何优化，供大家参考。
deepseek-r1的1.5b、7b、8b、14b、32b、70b和671b有啥区别？
最新发布
weixin_36348080的博客
07-02 97
系列提供了多种参数规模的模型（1.5B、7B、8B、14B、32B、70B 和 671B），它们在模型架构、性能表现、资源需求和适用场景上有显著差异。，采用 MoE 架构，支持超长上下文（128K tokens），在复杂任务上表现顶尖。> - 小模型支持4-bit 量化（如 Qwen-1.5B），可在边缘设备运行。> - 小模型（≤7B）响应快（0.1~0.3秒），但深度推理能力弱；> - 追求 低延迟/低成本 → 选 7B/8B（性价比最高）；（科研/代码/决策）：70B 或 671B（API）
AI大模型企业应用实战：Prompt让LLM理解知识
2401_84204413的博客
06-25 2732
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
TensorFlow相关组件的安装
AAI666666的博客
01-11 2946
TensorFlow相关组件的安装
DeepSeek-R1 14b本地部署测试：详细系统概述与实时性能洞察
2401_85327249的博客
03-31 1127
这篇文章测试14b模型，快速引导你完成在本地运行DeepSeek模型的安装过程，并分享一个在笔记本电脑上的性能测试供你参考。 让我们开始吧。
使用Ollama本地部署DeepSeek R1模型：从零到精通的完整指南
weixin_42489549的博客
02-12 1万+
DeepSeek R1是由中国人工智能公司深度求索（DeepSeek）推出的高性能开源模型，其推理能力接近GPT-4 Turbo，且支持本地部署，兼顾数据隐私与成本效益。本教程将详细介绍如何通过Ollama工具在本地设备上部署DeepSeek R1模型，并优化其性能与交互体验。
【LLM】基于 Ollama 本地部署 DeepSeek-R1 大模型
qq_40205510的博客
04-30 1413
通过 Docker Compose 整合 Ollama 和 Open WebUI，可快速搭建支持 GPU 加速的本地大模型环境。无论是 Linux 还是 Windows，均能通过标准化配置实现高效部署。未来可进一步接入One-API实现多模型统一管理，或结合 Nginx 提升服务安全性。
基于特定硬件配置的 DeepSeek-R1-14B 和 Janus-Pro-7B 本地部署优化方案
VA_QianXue的博客
02-25 1652
量化 R1 模型：将 DeepSeek - R1 - 14B 模型量化，降低显存需求。调整 Janus - Pro 精度：把 Janus - Pro - 7B 模型的精度调整为 FP16，以减少显存占用。合理分配显存：依据模型特点和显存需求，合理安排模型使用独立显卡、集显或 CPU，以及显存的分配。使用独立环境：为两个模型分别创建独立的 Conda 环境，避免依赖冲突。分时运行或利用共享显存：当显存不足时，考虑分时运行模型，或者合理利用共享显存。同时，密切监控资源使用情况，确保系统运行的稳定性。
Ollama本地部署DeepSeek-R1:14b完全指南，看到就是赚到！！
2401_85325557的博客
02-12 1462
DeepSeek-R1-14b是一个强大的大语言模型，通过Ollama在本地部署这个模型，我们可以在保护隐私的同时享受高质量的AI服务。本指南将详细介绍如何在本地完成部署。
什么是AI提示词工程师？（附：提示词万能公式）
Code1994的博客
10-22 4880
提示词（Prompt）工程师是一种新兴职业，旨在帮助人类更好地与 AI 互动。就现有依托AI大模型创作内容的工具来说，都离不开专业的AI提示词工程师，这也是此次科技进步产生的最直观的新工作岗位。从名字上看，提示词工程师给人一种“程序员”既视感，但实际上，提示词工程师更偏向“杂家”，需要懂文学、计算机科学、数学，最关键的是需要丰富的想象力，否则大家制作出来的内容会千篇一律。提示词工程师要解决的问题是如何设计问题以达到理想结果。
【亲测免费】 深度探索因果语言模型 14B：配置与环境要求指南
gitblog_02185的博客
01-18 769
深度探索因果语言模型 14B：配置与环境要求指南 在当今的 AI 领域，强大的语言模型如因果语言模型 14B 正在推动着自然语言处理技术的边界。为了充分利用这一模型，理解其配置与环境要求至关重要。本文旨在为研究人员和开发者提供一个详尽的指南，以确保他们能够成功部署和运行因果语言模型 14B。 系统要求 操作系统 因果语言模型 14B 支持多种操作系统，包括但不限于 Windows、Linux 和 ...
部署deep seek需要什么样的硬件配置？
热门推荐
02-01 5万+
部署DeepSeek（或其他类似的大语言模型）的硬件配置需求取决于具体场景（如推理、微调、训练）、模型规模（参数量）、并发请求量以及性能要求。使用量化（4/8-bit）、模型并行（Tensor Parallelism）、流水线并行等技术降低资源需求。：70B模型需2-4张A100（80GB）进行推理，或使用量化技术（如GPTQ/GGUF）降低显存需求。：2-4张显存≥40GB的显卡（如NVIDIA A100 40GB/80GB、H100）：NVMe SSD ≥ 512GB（模型文件约占用20-30GB）
DeepSeek-R1不同版本的 1.5B、7B、8B、14B、32B、70B、671B 主要区别以及各个蒸馏版本的优缺点
以为在机器学习领域与人工智能领域深耕多年的老牛
02-08 4万+
在人工智能大模型蓬勃发展的当下，DeepSeek-R1系列大模型凭借其出色的性能和广泛的应用潜力，受到了众多开发者和研究人员的关注。该系列包含1.5B、7B、8B、14B、32B、70B、671B等不同版本，每个版本都有其独特之处。今天，我们就来深入探讨一下这些版本的主要区别，以及各个蒸馏版本的优缺点，帮助大家在实际应用中做出更合适的选择。
本地部署DeepSeek对电脑硬件配置的要求
daly520的专栏
03-08 1771
显卡：非必需，若需 GPU 加速可选 4GB 及以上显存的显卡，适合低资源设备部署等场景。显卡：16GB 及以上显存，可用于企业级复杂任务等场景。显卡：推荐 8GB 及以上显存，可用于本地开发测试等场景。显卡：24GB 及以上显存，适合高精度专业领域任务等场景。硬盘：3GB 及以上存储空间。内存：128GB 及以上。内存：16GB 及以上。内存：32GB 及以上。硬盘：15GB 及以上。内存：64GB 及以上。硬盘：30GB 及以上。硬盘：70GB 及以上。内存：8GB 及以上。硬盘：8GB 及以上。
bitfusion run -n 1 nvidia-smi我这一步能验证出显卡和驱动 但是我该如何把ollama run DeepSeek-R1-14b用远程gpu资源跑起来
03-20
<think>好的，用户现在的问题是，他们已经知道如何使用`bitfusion run -n 1 nvidia-smi`来验证显卡和驱动，但现在他们想用远程GPU资源运行`ollama run DeepSeek-R1-14b`这个模型。我需要帮他们解决这个问题。 首先，我需要确认用户对Bitfusion的理解程度。他们可能已经了解基础命令，但可能不太清楚如何应用到具体的模型运行上。用户提到的`ollama`是一个管理本地大模型的命令行工具，可能需要特定的GPU资源支持。DeepSeek-R1-14b应该是一个较大的模型，可能需要较多的显存，所以用户需要使用远程GPU资源。 接下来，我需要考虑Bitfusion的工作机制。Bitfusion允许用户远程挂载GPU资源，类似于NFS挂载。用户需要确认远程服务器是否已经配置好Bitfusion服务端，并且客户端能够访问。这可能涉及到安装Bitfusion客户端、配置许可证、加入用户组等步骤，但用户可能已经完成了这些，因为他们可以运行`nvidia-smi`来验证。 用户的关键问题是如何将`ollama run`命令通过Bitfusion调用远程GPU。可能需要修改ollama的配置，使其使用Bitfusion分配的GPU资源。或者，直接通过Bitfusion运行ollama命令，确保它识别到分配的GPU。 可能的步骤包括：1. 使用`bitfusion run`启动ollama命令，指定所需的GPU数量和显存。2. 确保ollama能够访问模型文件，可能需要挂载存储卷。3. 处理环境变量，比如CUDA_VISIBLE_DEVICES，确保模型使用正确的GPU。4. 处理可能出现的权限或路径问题。 此外，用户可能需要调整显存分配，因为大模型需要较大的显存。例如，使用`--memory=16GB`或更高。同时，检查ollama的文档，确认是否有特定的GPU使用要求，比如需要特定版本的CUDA或驱动。 用户可能会遇到的错误包括：显存不足、权限问题、路径错误、环境变量未正确传递等。需要提供调试方法，比如通过`bitfusion smi`监控资源，检查日志，验证环境变量。 最后，可能需要给出具体的示例命令，如`bitfusion run -n 1 --memory=16GB ollama run DeepSeek-R1-14b`，并解释每个参数的作用。同时提醒用户注意模型文件的位置，是否需要挂载远程存储，或者确保模型文件在Bitfusion环境中可访问。</think>### 一、核心原理分析 Bitfusion 的核心功能是通过 **GPU资源虚拟化** 实现远程 GPU 的透明调用。当您运行 `ollama run DeepSeek-R1-14b` 时，实际上需要让该进程能够访问到远端服务器的物理 GPU 设备。以下是实现方法的分步解析： --- ### 二、基础环境验证 #### 1. 先决条件检查 ```bash # 确认 Bitfusion 客户端已安装 which bitfusion # 验证可访问的 GPU 资源池 bitfusion device list # 查看当前用户权限 groups | grep bitfusion ``` #### 2. 显存需求评估 DeepSeek-R1-14b 模型参数规模： - 14B 参数模型通常需要 **16GB+ 显存** - 建议配置： ```bash bitfusion run -n 1 --memory=20GB ollama run DeepSeek-R1-14b ``` --- ### 三、关键实施步骤 #### 1. 模型文件准备 ```bash # 挂载共享存储（假设模型存放在 /mnt/models） bitfusion run -n 1 --volume=/mnt/models:/models ollama run DeepSeek-R1-14b ``` #### 2. 完整启动命令 ```bash bitfusion run -n 2 \ # 使用双卡并行计算 --memory=24GB \ # 每卡分配12GB --env OLLAMA_MODELS=/models \ # 传递环境变量 ollama run DeepSeek-R1-14b \ --temperature 0.7 \ --num_predict 512 ``` #### 3. 网络优化配置 ```bash # 启用 RDMA 加速（需硬件支持） bitfusion run -n 1 --ib-device=mlx5_0 ollama run DeepSeek-R1-14b # 设置带宽限制（避免占用过多网络资源） bitfusion run -n 1 --network-limit=10G ollama run DeepSeek-R1-14b ``` --- ### 四、高级调试技巧 #### 1. 实时监控方法 ```bash # 查看 GPU 显存使用细节 watch -n 1 "bitfusion smi --processes --show-full-cmd" # 查看网络传输状态（需安装 iftop） bitfusion top --net ``` #### 2. 日志分析要点 ```bash # 获取完整运行日志 bitfusion run -n 1 --log-level=DEBUG ollama run DeepSeek-R1-14b 2>&1 | tee debug.log # 关键错误过滤 grep -E 'CUDA|oom|fatal' debug.log ``` --- ### 五、性能优化建议 #### 1. 量化加速方案 ```bash # 使用 8-bit 量化（需模型支持） bitfusion run -n 1 ollama run DeepSeek-R1-14b --quantize int8 # 混合精度训练 bitfusion run -n 1 --env TF_ENABLE_AUTO_MIXED_PRECISION=1 ollama run DeepSeek-R1-14b ``` #### 2. 分布式推理 ```bash # 多节点并行推理 bitfusion run -n 4 --hostfile ./my_hosts ollama run DeepSeek-R1-14b \ --parallel_workers 4 ``` --- ### 六、安全配置指南 #### 1. 访问控制设置 ```bash # 创建专用用户组 sudo groupadd llm_users bitfusion run -n 1 --gid llm_users ollama run DeepSeek-R1-14b # 资源隔离策略 bitfusion run -n 1 --cpuset=0-7 --memory=32GB ollama run DeepSeek-R1-14b ``` #### 2. 加密传输配置 ```bash # 启用 TLS 加密 bitfusion run -n 1 \ --tls-cert=/path/to/cert.pem \ --tls-key=/path/to/key.pem \ ollama run DeepSeek-R1-14b ``` --- ### 七、常见问题排查表 | 现象 | 诊断方法 | 解决方案 | |------|----------|----------| | CUDA OOM 错误 | `bitfusion smi --memory-usage` | 增加 `--memory` 参数值或启用量化 | | 模型加载失败 | `ls -lh /mnt/models` | 检查存储挂载权限和路径 | | 推理速度慢 | `bitfusion top --gpu` | 检查 GPU 利用率，增加 `-n` 参数值 | | API 连接超时 | `telnet <server> 8443` | 检查防火墙和 Bitfusion 服务状态 | --- ### 八、典型部署架构 ```mermaid graph TD A[本地客户端] -->|Bitfusion协议| B{GPU资源池} B --> C[物理服务器1: A100x4] B --> D[物理服务器2: A100x8] B --> E[云上实例: T4] A --> F[共享存储集群] ``` 通过以上配置，可以实现： 1. 动态分配跨物理节点的 GPU 资源 2. 自动故障转移机制 3. 统一存储访问接口 --- ### 九、最终验证命令 ```bash # 完整功能测试 bitfusion run -n 2 --memory=24GB --volume=/data:/data \ ollama run DeepSeek-R1-14b --prompt "解释量子计算原理" ``` 建议首次运行时添加 `--dry-run` 参数进行预演验证： ```bash bitfusion run --dry-run -n 1 ollama run DeepSeek-R1-14b ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值