背景介绍
DeepSeek-R1
DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式版。DeepSeek-R1-Distill-Qwen 则是通过 DeepSeek-R1 的输出，基于 Qwen 大语言模型，经过模型蒸馏的小模型，其中 32B 和 70B 模型在多项能力上实现了对标 OpenAI o1-mini 的效果。
龙蜥操作系统
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。
EPAO 仓库为开发者提供了一键安装主流 NVIDIA GPU 驱动和 CUDA 加速库的功能，简化了驱动版本匹配和手动安装的繁琐过程。仓库中的组件均经过兼容性测试，确保一键安装时无需修改系统依赖项，从而提升了使用过程中的稳定性。
AC2
Alibaba Cloud AI Containers（简称 AC2）是阿里云官方推出的一系列 AI 容器镜像的合集。通过内置不同的硬件加速库、AI 运行时、AI 框架等满足用户不同场景的部署使用诉求，并通过与阿里云基础设施（ECS、ACK、ACS）深度优化，提升用户在阿里云上的 AI 性能和体验。
模型部署
前置准备
部署前需要准备：
NVIDIA GPU 实例（显存不小于 16G）：示例使用阿里云 ecs.gn7i-c8g1.2xlarge 规格实例
运行 Anolis OS 8 系统
不小于 60G 存储空间
公网访问能力，并开放 8000 端口
准备容器运行环境
1. 在 Anolis OS 8 上使用 EPAO 仓库安装 NVIDIA 驱动以及 CUDA 驱动。
dnf install -y anolis-epao-releasednf install -y kernel-devel-$(uname -r) nvidia-driver{,-cuda}
复制代码
2. 在 Anolis OS 8 上安装 Docker 运行环境，并安装 NVIDIA Container Toolkit 来支持 GPU 容器。
dnf config-manager --add-repo=https://mirrors.aliyun.com/docker-ce/linux/centos/docker-ce.repodnf install -y docker-ce nvidia-container-toolkitsystemctl restart docker
复制代码
3. 安装运行依赖系统组件。
dnf install -y curl jq git{,-lfs}git lfs install
复制代码
4. 下载模型文件，下载耗时较长（约 30 分钟），且阻塞终端输入。模型下载为当前目录下的 DeepSeek-R1-Distill-Qwen-7B。
git clone https://www.modelscope.cn/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B.git
复制代码
运行 DeepSeek 容器
1. 从 AC2 拉取容器镜像，并运行 DeepSeek 部署容器。镜像会检查「MODEL_DIR」环境变量设置的模型目录下是否存在模型文件，并运行自动启动 vLLM 推理服务，以 OpenAI API 接口透出服务。
docker run -d -p 8000:8000 --gpus all \ -v ./DeepSeek-R1-Distill-Qwen-7B:/models/DeepSeek-R1-Distill-Qwen-7B \ -e MODEL_DIR=/models/DeepSeek-R1-Distill-Qwen-7B \ ac2-registry.cn-hangzhou.cr.aliyuncs.com/ac2/qwen2:7b-pytorch2.4.0-cuda12.1.1-py310-alinux3.2104
复制代码
2. 容器运行后可以使用 docker logs <container_id> 来查看容器运行日志，正常运行后日志输入如下所示。API 服务已在本地 8000 端口运行。
INFO 02-11 01:16:33 launcher.py:19] Available routes are:INFO 02-11 01:16:33 launcher.py:27] Route: /openapi.json, Methods: GET, HEADINFO 02-11 01:16:33 launcher.py:27] Route: /docs, Methods: GET, HEADINFO 02-11 01:16:33 launcher.py:27] Route: /docs/oauth2-redirect, Methods: GET, HEADINFO 02-11 01:16:33 launcher.py:27] Route: /redoc, Methods: GET, HEADINFO 02-11 01:16:33 launcher.py:27] Route: /health, Methods: GETINFO 02-11 01:16:33 launcher.py:27] Route: /tokenize, Methods: POSTINFO 02-11 01:16:33 launcher.py:27] Route: /detokenize, Methods: POSTINFO 02-11 01:16:33 launcher.py:27] Route: /v1/models, Methods: GETINFO 02-11 01:16:33 launcher.py:27] Route: /version, Methods: GETINFO 02-11 01:16:33 launcher.py:27] Route: /v1/chat/completions, Methods: POSTINFO 02-11 01:16:33 launcher.py:27] Route: /v1/completions, Methods: POSTINFO 02-11 01:16:33 launcher.py:27] Route: /v1/embeddings, Methods: POSTINFO: Started server process [10]INFO: Waiting for application startup.INFO: Application startup complete.INFO: Uvicorn running on socket ('0.0.0.0', 8000) (Press CTRL+C to quit)INFO 02-11 01:16:43 metrics.py:345] Avg prompt throughput: 0.0 tokens/s, Avg generation throughput: 0.0 tokens/s, Running: 0 reqs, Swapped: 0 reqs, Pending: 0 reqs, GPU KV cache usage: 0.0%, CPU KV cache usage: 0.0%.INFO 02-11 01:16:53 metrics.py:345] Avg prompt throughput: 0.0 tokens/s, Avg generation throughput: 0.0 tokens/s, Running: 0 reqs, Swapped: 0 reqs, Pending: 0 reqs, GPU KV cache usage: 0.0%, CPU KV cache usage: 0.0%.
复制代码
3. 通过 cURL 实用程序可以测试模型推理效果，例如提问「9.9 和 9.11 哪个大？」。
curl -s http://localhost:8000/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{"model": "/models/DeepSeek-R1-Distill-Qwen-7B", "messages": [{"role": "user", "content": "9.9和9.11哪个大？"}], "max_tokens": 1024, "temperature":"0.9" }' | \ jq '.choices[0].message.content' | \ xargs echo -e
复制代码
4. 模型输出如下，由于 DeepSeek-R1 为推理模型，模型输出大致分为思考部分以及回答部分。
总结
DeepSeek-R1 在数学推理、编程竞赛等多个任务上表现出色，不仅超过了其他闭源模型，而且在某些任务上接近或超越了 OpenAI-o1 系列模型。一经发布，火爆海内外。本文介绍了如何在 Anolis OS 8 上使用 AC2 容器部署生产可用的 DeepSeek 推理服务。
通过 Anolis OS 8 所提供的原生 AI 能力，结合 AC2 容器化 AI 运行环境的预配置，用户得以免去自行部署 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。
—— 完 ——
评论