编者按：DeepSeek 一经发布，火爆海内外。龙蜥操作系统 Anolis OS 8 凭借其原生 AI 能力，实现了 DeepSeek 的本地化部署，显著降低了在生产环境中部署人工智能技术的门槛，真正使得 AI 技术普惠广大用户。
以下文章转载自数穹探索，介绍了如何在 CPU 上使用 llama.cpp 推理 671B 版本的 DeepSeek R1，以及实际效果。
1.硬件配置和环境
这台服务器主要是内存带宽比较足够，实测可以达到 400 多 GB/s 的内存带宽，对跑 DeepSeek-R1 671B 非常有帮助。
(python312) [root@localhost Linux]# ./mlcIntel(R) Memory Latency Checker - v3.11aMeasuring idle latencies for random access (in ns)... Numa nodeNuma node 0 0 120.7 Measuring Peak Injection Memory Bandwidths for the systemBandwidths are in MB/sec (1 MB/sec = 1,000,000 Bytes/sec)Using all the threads from each core if Hyper-threading is enabledUsing traffic with the following read-write ratiosALL Reads : 484293.33:1 Reads-Writes : 426926.22:1 Reads-Writes : 419594.61:1 Reads-Writes : 398684.9Stream-triad like: 419383.6
复制代码
2.编译 llama.cpp
git clone https://github.com/ggerganov/llama.cpp.gitmkdir buildcd buildcmake ..cmake --build . --config Release
复制代码
3.下载模型文件（以及量化）
下载 DeepSeek R1，速度优先选择的 Q4 量化的版本，效果优先选择 Q8 量化，CPU 推理选择 gguf 格式的模型。也可以下载官方版本后使用 llama.cpp 提供的 convert_hf_to_gguf.py 转化。
/home/github/llama.cpp/convert_hf_to_gguf.py /data/models/DeepSeek-R1/
复制代码
为了下载的模型小一点，直接下载了量化好的版本，否则由于网速的问题，下载实在太慢，完整的版本有 642G 大小，我自己下载了 3 天。若不能访问 huggingface，可以从 https://hf-mirror.com/deepseek-ai/DeepSeek-R1 下载完整版本。
直接下载 Q4 量化的版本，以及合并 gguf 文件。
git clone --no-checkout https://hf-mirror.com/bartowski/DeepSeek-R1-GGUF
##只下载Q4量化d的版本，网速问题，下载了20多个小时git lfs pull --include="DeepSeek-R1-Q4_K_M/*" &
## 合并gguf文件/home/github/llama.cpp/build/bin/llama-gguf-split --merge /data/models/DeepSeek-R1-GGUF/DeepSeek-R1-Q4_K_M/DeepSeek-R1-Q4_K_M-00001-of-00011.gguf /data/models/DeepSeek-R1-GGUF/DeepSeek-R1-Q4_K_M.gguf
复制代码
4.模型推理
命令行方式交互访问，默认 96 个线程，K_Cache 使用了 Q8_0 量化，以提升速度，默认 fp16。
/home/github/llama.cpp/build/bin/llama-cli -m /data/models/DeepSeek-R1-GGUF/DeepSeek-R1-Q4_K_M.gguf -n 2048 -p "作为一个资深的电商行业分析师，电商平台在2024年都面临了很大的增长挑战，分析一下唯品会作为电商特卖平台在2025年的机会以及如何提升用户的规模和ARPU值？" -no-cnv --chat-template deepseek2 -ctk q8_0
复制代码
Cli 方式的推理，96 个线程，~400GB 内存实际使用。
llama_perf_sampler_print: sampling time = 107.81 ms / 2094 runs ( 0.05 ms per token, 19422.16 tokens per second)llama_perf_context_print: load time = 7545.67 msllama_perf_context_print: prompt eval time = 1133.01 ms / 46 tokens ( 24.63 ms per token, 40.60 tokens per second)llama_perf_context_print: eval time = 238743.03 ms / 2047 runs ( 116.63 ms per token, 8.57 tokens per second)llama_perf_context_print: total time = 240134.43 ms / 2093 tokens
复制代码
Web UI 方式
/home/github/llama.cpp/build/bin/llama-server -m /data/models/DeepSeek-R1-GGUF/DeepSeek-R1-Q4_K_M.gguf -n 4096 --host xxx.xxx.xxx.xxx --port 10088 --chat-template deepseek2 --parallel 1 --ctx-size 16384 -ctk q8_0
复制代码
默认是 1 并发，尝试过并发多余 1，会有各种问题，最终放弃。
效果简单小结
速度：~9Token/s，个人用基本没问题。
效果：Q4 的效果比官方版本略差，但是依然可用；部分题目 Q8 量化正确，Q4 会回答错误，如这个算数脑筋急转弯。
有一堆煤 第一次运走了总比例的7/13,第二次运走了8/13吨,问哪次运的煤堆更重？
复制代码
更多模型在 CPU 上推理速度汇总
同时测试了更多模型的 CPU 推理的速度，INPUT 1000 Token，Output 300 左右。
关于龙蜥操作系统 Anolis OS
龙蜥操作系统 Anolis OS 8 是 OpenAnolis 龙蜥社区发行的开源 Linux 发行版，支持多计算架构，提供稳定、高性能、安全、可靠的操作系统支持。Anolis OS 8 中通过引入龙蜥生态软件仓库（EPAO），实现一键安装部署 AI 开发环境，解决了 AI 组件之间繁琐的依赖关系，加速 AI 应用的开发、部署流程。
用户通过 Anolis OS 8 所提供的原生 AI 能力，结合 Alibaba Cloud AI Containers（简称 AC2）容器化 AI 运行环境的预配置，得以免去自行部署 CUDA 驱动及安装 PyTorch/vLLM 等繁琐步骤，极大地简化了部署流程，有效规避了因组件与驱动版本不兼容所引发的潜在问题，更专注于核心业务逻辑，而无需被底层技术细节所困扰。这一创新组合显著降低了在生产环境中部署人工智能技术的门槛，真正使得 AI 技术普惠广大用户。那如何在 Anolis OS 8 上使用 AC2 容器部署生产可用的 DeepSeek 推理服务，可点击这里查看详细部署教程。
—— 完 ——
评论