🐋DeepSeek-V3.1：如何在本地运行

关于如何在您自己的本地设备上运行 DeepSeek-V3.1 与 Terminus 的指南！

DeepSeek 的 V3.1 和 终结者 更新引入了混合推理机制，将“思考”和“非思考”合并到一个模型中。完整的 671B 参数模型需要 715GB 磁盘空间。量化的动态 2 位版本使用 245GB（大小减少 75%）。GGUF： DeepSeek-V3.1-GGUF

新： DeepSeek-V3.1-Terminus 现已推出： DeepSeek-V3.1-Terminus-GGUF 2025 年 9 月 10 日更新： 你们要求更严格的基准测试，所以我们展示了 Aider Polyglot 的结果！我们的动态 3 位 DeepSeek V3.1 GGUF 得分 75.6%，超越了许多全精度 SOTA 大语言模型。阅读更多。

我们的 DeepSeek-V3.1 GGUF 包括 Unsloth 聊天模板修复用于 llama.cpp 支持的后端。

所有上传都使用 Unsloth Dynamic 2.0 用于 SOTA 的 5-shot MMLU 和 KL 散度性能，这意味着你可以在几乎不损失精度的情况下运行并微调量化的 DeepSeek LLM。

教程导航：

在 llama.cpp 中运行在 Ollama/Open WebUI 中运行

⚙️ 推荐设置

1 位动态量化 TQ1_0（对不重要的 MoE 层使用 1bit，对重要的 MoE 使用 2-4bit，其余使用 6-8bit）使用 170GB 磁盘空间——这在一个 1x24GB 显卡和 128GB 内存 并开启 MoE 卸载时表现良好——它也 可在 Ollama 中本地工作!

您必须使用 --jinja 用于 llama.cpp 量化 —— 这使用了我们的固定聊天模板并启用正确的模板！如果不使用，您可能会得到不正确的结果 --jinja

2 位量化将能放入 1x 24GB GPU（MoE 层卸载到 RAM）。如果你还有额外的 128GB 内存，此配置下预期约 5 令牌/秒。建议至少有 226GB 内存来运行该 2 位版本。为获得最佳性能，你需要至少 226GB 统一内存或 226GB 组合 RAM+VRAM 以达到 5+ 令牌/秒。要了解如何提高生成速度和适应更长的上下文，请在此处阅读.

虽然不是必须，但为了最好性能，建议 VRAM + RAM 的合计等于你正在下载的量化模型大小。如果没有，硬盘/SSD 卸载在 llama.cpp 上也能工作，只是推理会更慢。

🦋聊天模板错误修复

我们修复了 DeepSeek V3.1 的一些聊天模板问题，因为它们在 llama.cpp 和其他引擎中无法正常工作：

DeepSeek V3.1 是一个混合推理模型，这意味着你可以更改聊天模板来启用推理。聊天模板引入了 thinking = True ，但其他模型使用 enable_thinking = True 。我们添加了使用 enable_thinking 作为关键字的选项。
llama.cpp 的 jinja 渲染器通过 minja 不允许在 .split() 命令中使用额外参数，因此使用 .split(text, 1) 在 Python 中可行，但在 minja 中不可行。我们不得不更改此处以使 llama.cpp 正常运行且不报错。使用其他量化时你将收到如下错误： 在抛出 'std::runtime_error' 实例后终止 what(): split 方法的定位参数必须在 1 到 1 之间，关键字参数必须在 0 到 0 之间，在第 3 行，第 1908 列 我们在所有量化中都修复了它！

🐳 官方推荐设置

根据 DeepSeek，以下是 V3.1 推理的推荐设置：

设置 temperature 为 0.6 以减少重复和不连贯。
设置 top_p 为 0.95 （推荐）
128K 上下文长度 或更短
使用 --jinja 用于 llama.cpp 变体 —— 我们 也修复了一些聊天模板问题！
使用 enable_thinking = True 以使用推理/思考模式。默认设置为非推理模式。

🔢 聊天模板/提示格式

你不需要强制使用 <think>\n ，但你仍然可以添加！在给定前缀下，DeepSeek V3.1 在非思考模式下对查询生成响应。与 DeepSeek V3 不同，它引入了额外的标记 </think>.

<｜begin▁of▁sentence｜>{system prompt}<｜User｜>{query}<｜Assistant｜></think>

会强制添加一个 BOS，并且 EOS 用于分隔每次交互。为避免推理时出现双重 BOS 标记，你应该仅调用 tokenizer.encode(..., add_special_tokens = False) 因为聊天模板会自动添加一个 BOS 标记。对于 llama.cpp / GGUF 推理，你应该跳过 BOS，因为它会自动添加。

📔 非思考模式（使用 `thinking = False`或 `enable_thinking = False` 且默认即为此）

首轮

前缀： <｜begin▁of▁sentence｜>{system prompt}<｜User｜>{query}<｜Assistant｜></think>

在给定前缀下，DeepSeek V3.1 在非思考模式下对查询生成响应。与 DeepSeek V3 不同，它引入了额外的标记 </think>.

多轮

上下文： <｜begin▁of▁sentence｜>{system prompt}<｜User｜>{query}<｜Assistant｜></think>{response}<｜end▁of▁sentence｜>...<｜User｜>{query}<｜Assistant｜></think>{response}<｜end▁of▁sentence｜>

前缀： <｜User｜>{query}<｜Assistant｜></think>

通过串联上下文和前缀，我们获得了针对该查询的正确提示。

📚 思考模式（使用 `thinking = True`或 `enable_thinking = True` 且默认即为此）

首轮

前缀： <｜begin▁of▁sentence｜>{system prompt}<｜User｜>{query}<｜Assistant｜><think>

思考模式的前缀与 DeepSeek-R1 相似。

多轮

前缀： <｜User｜>{query}<｜Assistant｜><think>

多轮模板与非思考多轮聊天模板相同。这意味着最后一轮的思考标记将被删除，但 </think> 在上下文的每一轮中都会保留。

🏹 工具调用

在非思考模式下支持工具调用。格式为：

<｜begin▁of▁sentence｜>{system prompt}{tool_description}<｜User｜>{query}<｜Assistant｜></think> 我们将在系统提示之后的区域填写 tool_description。

▶️运行 DeepSeek-V3.1 教程：

🦙 在 Ollama/Open WebUI 中运行

安装 ollama 如果您还没有安装！要运行更多模型变体，请查看此处.

apt-get update
apt-get install pciutils -y
curl -fsSL https://ollama.com/install.sh | sh

运行模型！注意如果失败您可以在另一个终端调用 ollama serve！我们在 Hugging Face 上传中包含了所有修复和建议的参数（温度等），位于 params 在我们上传到 Hugging Face 的页面中运行！ &#xNAN;（新）要在 Ollama 中运行完整的 R1-0528 模型，你可以使用我们的 TQ1_0（170GB 量化）：

OLLAMA_MODELS=unsloth ollama serve &

OLLAMA_MODELS=unsloth ollama run hf.co/unsloth/DeepSeek-V3.1-Terminus-GGUF:TQ1_0

要运行其他量化版本，您需要先将 GGUF 分割文件合并为一个，如下面代码所示。然后在本地运行模型。

./llama.cpp/llama-gguf-split --merge \
  DeepSeek-V3.1-Terminus-GGUF/DeepSeek-V3.1-Terminus-UD-Q2_K_XL/DeepSeek-V3.1-Terminus-UD-Q2_K_XL-00001-of-00006.gguf \
	merged_file.gguf

OLLAMA_MODELS=unsloth ollama serve &

OLLAMA_MODELS=unsloth ollama run merged_file.gguf

Open WebUI 还制作了一个逐步教程关于如何运行 R1 的说明，对于 V3.1，你只需将 R1 替换为新的 V3.1 量化版本。

✨ 在 llama.cpp 中运行

获取最新的 llama.cpp 在 GitHub 这里。您也可以按照下面的构建说明。将 -DGGML_CUDA=ON 改为 -DGGML_CUDA=OFF 如果您没有 GPU 或只想使用 CPU 推理。

apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggerganov/llama.cpp
cmake llama.cpp -B llama.cpp/build \
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-quantize llama-cli llama-gguf-split llama-mtmd-cli llama-server
cp llama.cpp/build/bin/llama-* llama.cpp

如果您想直接使用 llama.cpp 来加载模型，您可以如下操作：（:Q2_K_XL）是量化类型。您也可以通过 Hugging Face（第 3 点）下载。这类似于 ollama run 。使用 export LLAMA_CACHE="folder" 来强制 llama.cpp 保存到特定位置。请记住模型的最大上下文长度为 128K。

请尝试 -ot ".ffn_.*_exps.=CPU" 将所有 MoE 层卸载到 CPU！这实际上允许您将所有非 MoE 层放入 1 块 GPU，从而提高生成速度。如果您有更多 GPU 容量，可以自定义正则表达式以适配更多层。

如果您有更多的 GPU 内存，尝试 -ot ".ffn_(up|down)_exps.=CPU" 这会卸载上投影和下投影的 MoE 层。

尝试 -ot ".ffn_(up)_exps.=CPU" 如果您有更多 GPU 内存。此选项仅卸载上投影的 MoE 层。

最后通过卸载所有层来实现： -ot ".ffn_.*_exps.=CPU" 这使用最少的显存（VRAM）。

您也可以自定义正则表达式，例如 -ot "\.(6|7|8|9|[0-9][0-9]|[0-9][0-9][0-9])\.ffn_(gate|up|down)_exps.=CPU" 表示从第 6 层开始卸载 gate、up 和 down 的 MoE 层。

export LLAMA_CACHE="unsloth/DeepSeek-V3.1-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/DeepSeek-V3.1-Terminus-GGUF:UD-Q2_K_XL \
    --jinja \
    --n-gpu-layers 99 \
    --temp 0.6 \
    --top-p 0.95 \
    --min-p 0.01 \
    --ctx-size 16384 \
    --seed 3407 \
    -ot ".ffn_.*_exps.=CPU"

通过以下方式下载模型（在安装 pip install huggingface_hub hf_transfer 之后）。您可以选择 UD-Q2_K_XL（动态 2bit 量化）或其他量化版本，如 Q4_K_M 。我们 建议使用我们的 2.7bit 动态量化 UD-Q2_K_XL 以在大小和精度之间取得平衡.

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "0" # 有时会限速，因此设置为 0 以禁用
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id = "unsloth/DeepSeek-V3.1-Terminus-GGUF",
    local_dir = "unsloth/DeepSeek-V3.1-Terminus-GGUF",
    allow_patterns = ["*UD-Q2_K_XL*"], # 动态 2bit 使用 "*UD-TQ1_0*" 表示动态 1bit
)

您可以编辑 --threads 32 以设置 CPU 线程数， --ctx-size 16384 以设置上下文长度， --n-gpu-layers 2 以设置多少层使用 GPU 卸载。如果 GPU 出现内存不足，请尝试调整它。如果仅使用 CPU 推理，请移除它。

./llama.cpp/llama-cli \
    --model unsloth/DeepSeek-V3.1-Terminus-GGUF/UD-Q2_K_XL/DeepSeek-V3.1-Terminus-UD-Q2_K_XL-00001-of-00006.gguf \
    --jinja \
    --n-gpu-layers 99 \
    --temp 0.6 \
    --top-p 0.95 \
    --min-p 0.01 \
    --ctx-size 16384 \
    --seed 3407 \
    -ot ".ffn_.*_exps.=CPU"

如果你的组合内存和显存不足，请获取 1bit 版本（170GB）：

from huggingface_hub import snapshot_download
snapshot_download(
    repo_id = "unsloth/DeepSeek-V3.1-Terminus-GGUF",
    local_dir = "unsloth/DeepSeek-V3.1-Terminus-GGUF",
    allow_patterns = ["*UD-TQ1_0*"], # 对于动态 2 位使用 "*UD-Q2_K_XL*"
)

✨ 使用 llama-server 和 OpenAI 的 completion 库进行部署

要使用 llama-server 进行部署，请使用以下命令：

./llama.cpp/llama-server \
    --model unsloth/DeepSeek-V3.1-Terminus-GGUF/DeepSeek-V3.1-Terminus-UD-TQ1_0.gguf \
    --alias "unsloth/DeepSeek-V3.1-Terminus" \
    --n-gpu-layers 999 \
    -ot ".ffn_.*_exps.=CPU" \
    --prio 3 \
    --min_p 0.01 \
    --ctx-size 16384 \
    --port 8001 \
    --jinja

然后在安装 pip install openai :

之后使用 OpenAI 的 Python 库：
from openai import OpenAI
import json
    openai_client = OpenAI(
    base_url = "http://127.0.0.1:8001/v1",
)
api_key = "sk-no-key-required",
    model = "unsloth/DeepSeek-V3.1-Terminus",
    model = "unsloth/GLM-4.7",
)
messages = [{"role": "user", "content": "What is 2+2?"},],

💽模型上传

我们所有的上传 - 包括那些不是基于 imatrix 或动态的，也都使用了我们的校准数据集，该数据集专为对话、编码和语言任务进行优化。

以下是完整的 DeepSeek-V3.1 模型上传：

我们还上传了 IQ4_NL 和 Q4_1 这些量化专为 ARM 和 Apple 设备分别运行得更快。

MoE 比特数

类型 + 链接

磁盘大小

详情

1.66 位

TQ1_0

170GB

1.92/1.56 位

1.78 位

IQ1_S

185GB

2.06/1.56 位

1.93 位

IQ1_M

200GB

2.5/2.06/1.56

2.42 位

IQ2_XXS

216GB

2.5/2.06 位

2.71 位

Q2_K_XL

251GB

3.5/2.5 位

3.12 位

IQ3_XXS

273GB

3.5/2.06 位

3.5 位

Q3_K_XL

296GB

4.5/3.5 位

4.5 位

Q4_K_XL

384GB

5.5/4.5 位

5.5 位

Q5_K_XL

481GB

6.5/5.5 位

我们还上传了 BF16 格式，以及原始 FP8（float8）格式.

🏂 用于 GLM 4.7 的执行生成 Python 代码的工具调用

https://github.com/ggml-org/llama.cpp/pull/16653

自动尽可能将模型卸载到 GPU，然后将剩余部分放到 CPU。 -ot ".ffn_.*_exps.=CPU" 如果您有更多显存，您可以尝试卸载更多的 MoE 层，或卸载整个层本身。

如果您有更多的 GPU 内存，尝试 -ot ".ffn_(up|down)_exps.=CPU" 这会卸载上投影和下投影的 MoE 层。

尝试 -ot ".ffn_(up)_exps.=CPU" 如果您有更多 GPU 内存。此选项仅卸载上投影的 MoE 层。

您也可以自定义正则表达式，例如 -ot "\.(6|7|8|9|[0-9][0-9]|[0-9][0-9][0-9])\.ffn_(gate|up|down)_exps.=CPU" 表示从第 6 层开始卸载 gate、up 和 down 的 MoE 层。

最新的 llama.cpp 发布版也引入了高吞吐量模式。使用 会将所有 MoE 层卸载到 CPU！这实际上允许您将所有非 MoE 层放入 1 块 GPU，从而提高生成速度。如果您有更多 GPU 容量，可以自定义正则表达式以适配更多层。Llama.cpp 还引入了高吞吐量模式。使用 llama-parallel。更多内容请阅读此处。您还可以

将 KV 缓存量化到 4 位

例如以减少 VRAM / RAM 的移动，这也可以加快生成过程。 📐如何适配长上下文（完整 128K） 要适配更长的上下文，您可以使用 KV 缓存量化将 K 和 V 缓存量化为更低位数。这也可以由于减少 RAM / VRAM 数据移动而提高生成速度。K 量化的允许选项（默认是

f16

）包括下面这些。 _1 --cache-type-k f32, f16, bf16, q8_0, q4_0, q4_1, iq4_nl, q5_0, q5_1 您应使用

变体以略微提高精度，尽管它们会稍慢。例如 q4_1, q5_1 您也可以量化 V 缓存，但您需要 使用 Flash Attention 编译 llama.cpp支持，方法是 -DGGML_CUDA_FA_ALL_QUANTS=ON ，并使用 --flash-attn :

来启用它。然后您可以与下面的选项一起使用： --cache-type-k

上一页Qwen3-Next 下一页DeepSeek-R1-0528

最后更新于5天前

这有帮助吗？

hashtag⚙️ 推荐设置

hashtag🦋聊天模板错误修复

hashtag🐳 官方推荐设置

hashtag🔢 聊天模板/提示格式

hashtag📔 非思考模式（使用 thinking = False或 enable_thinking = False 且默认即为此）

hashtag📚 思考模式（使用 thinking = True或 enable_thinking = True 且默认即为此）

hashtag🏹 工具调用

hashtag▶️运行 DeepSeek-V3.1 教程：

hashtag🦙 在 Ollama/Open WebUI 中运行

hashtag✨ 在 llama.cpp 中运行

hashtag✨ 使用 llama-server 和 OpenAI 的 completion 库进行部署

hashtag💽模型上传

hashtag🏂 用于 GLM 4.7 的执行生成 Python 代码的工具调用

hashtag将 KV 缓存量化到 4 位

⚙️ 推荐设置

🦋聊天模板错误修复

🐳 官方推荐设置

🔢 聊天模板/提示格式

📔 非思考模式（使用 `thinking = False`或 `enable_thinking = False` 且默认即为此）

📚 思考模式（使用 `thinking = True`或 `enable_thinking = True` 且默认即为此）

🏹 工具调用

▶️运行 DeepSeek-V3.1 教程：

🦙 在 Ollama/Open WebUI 中运行

✨ 在 llama.cpp 中运行

✨ 使用 llama-server 和 OpenAI 的 completion 库进行部署

💽模型上传

🏂 用于 GLM 4.7 的执行生成 Python 代码的工具调用

将 KV 缓存量化到 4 位