🐋DeepSeek-V3.1：如何本地运行

关于如何在你自己的本地设备上运行 DeepSeek-V3.1 和 Terminus 的指南！

DeepSeek 的 V3.1 和 Terminus 更新引入了混合推理推断，将“思考”和“不思考”合并到一个模型中。完整的 671B 参数模型需要 715GB 磁盘空间。量化后的动态 2-bit 版本使用 245GB（体积减少 75%）。GGUF： DeepSeek-V3.1-GGUF

新： DeepSeek-V3.1-Terminus 现已发布： DeepSeek-V3.1-Terminus-GGUF 2025 年 9 月 10 日更新： 你们要求更难的基准测试，所以我们展示 Aider Polyglot 结果！我们的 Dynamic 3-bit DeepSeek V3.1 GGUF 得分 75.6%，超过了许多全精度的 SOTA LLM。阅读更多。

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

所有上传都使用 Unsloth Dynamic 2.0 以获得 SOTA 的 5-shot MMLU 和 KL 散度表现，这意味着你可以以极小的准确率损失运行并微调量化后的 DeepSeek LLM。

教程导航：

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

⚙️ 推荐设置

1-bit 动态量化 TQ1_0（对不重要的 MoE 层用 1bit，对重要的 MoE 用 2-4bit，其余用 6-8bit）占用 170GB 磁盘空间——这在 1x24GB 显卡和 128GB 内存 配合 MoE 卸载时效果很好——它也 可在 Ollama 中原生运行!

你必须使用 --jinja 用于 llama.cpp 量化版本——这会使用我们的修复后的聊天模板并启用正确的模板！如果你不使用，可能会得到错误结果 --jinja

2-bit 量化版可以放入 1 块 24GB GPU（并将 MoE 层卸载到内存）。如果你还额外有 128GB 内存，使用此配置时预计大约 5 token/s。建议至少拥有 226GB 内存来运行这个 2-bit 版本。为了获得最佳性能，你至少需要 226GB 统一内存，或 226GB 的 RAM+VRAM 总和，才能达到 5+ token/s。要了解如何提高生成速度并适配更长上下文，请看这里.

虽然不是必须的，但为了获得最佳性能，建议你的 VRAM + RAM 总和至少等于你下载的量化版本大小。如果不满足，硬盘/SSD 卸载在 llama.cpp 中也可以工作，只是推理会更慢。

🦋聊天模板错误修复

我们修复了 DeepSeek V3.1 聊天模板的一些问题，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，这意味着你可以修改聊天模板来启用推理。引入的聊天模板 thinking = True ，但其他模型使用 enable_thinking = True 。我们增加了使用 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 中不行。我们不得不修改这一点，以使 llama.cpp 能够正常工作而不报错。使用其他量化版本时，你会遇到以下错误： 在抛出 'std::runtime_error' 实例后调用终止 what(): split 方法必须有 1 到 1 个位置参数，以及 0 到 0 个关键字参数，位于第 3 行，第 1908 列 我们已经在所有量化版本中修复了它！

🐳 官方推荐设置

根据 DeepSeek，以下是 V3.1 推理的推荐设置：

将 temperature 设为 0.6 以减少重复和不连贯。
将 top_p 设为 0.95 （推荐）
128K 上下文长度 或更少
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。

🔢 聊天模板/提示格式

你不需要强制使用 <think>\n ，但你仍然可以添加它！在给定前缀下，DeepSeek V3.1 会以非思考模式生成对查询的响应。与 DeepSeek V3 不同，它引入了一个额外的 token </think>.

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

会强制添加 BOS，且 EOS 用于分隔每次交互。为了避免推理时出现双重 BOS token，你应只调用 tokenizer.encode(..., add_special_tokens = False) 因为聊天模板也会自动添加 BOS token。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` 并且默认如此）

首轮

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

使用给定前缀时，DeepSeek V3.1 会以非思考模式生成对查询的响应。与 DeepSeek V3 不同，它引入了一个额外的 token </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>

通过将上下文与前缀拼接，我们得到了该查询的正确提示词。

📚 思考模式（使用 `thinking = True`或 `enable_thinking = True` 并且默认如此）

首轮

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

思考模式的前缀与 DeepSeek-R1 类似。

多轮

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

多轮模板与非思考多轮聊天模板相同。这意味着最后一轮中的思考 token 会被丢弃，但 </think> 会在上下文的每一轮中保留。

🏹 工具调用

非思考模式支持工具调用。格式如下：

<｜begin▁of▁sentence｜>{system prompt}{tool_description}<｜User｜>{query}<｜Assistant｜></think> 其中 tool_description 填充在系统提示词之后的区域。

▶️运行 DeepSeek-V3.1 教程：

🦙 在 Ollama/Open WebUI 中运行

安装 ollama 如果你还没有安装！要运行模型的更多变体，看这里.

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

运行模型！注意你也可以在另一个终端中调用 ollama serve如果它失败了！我们在 Hugging Face 上传中包含了所有修复和建议参数（temperature 等）在 params 中！ （新）在 Ollama 中运行 DeepSeek-V3.1 模型时，你可以使用我们的 TQ1_0（170GB 量化版）：

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，你需要先将 GGUF 分片文件合并成 1 个，如下面代码所示。然后你需要在本地运行模型。

./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 还制作了一个分步教程讲解如何运行 R1，而对于 V3.1，你只需要把 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 在这里的 GitHub 上。你也可以按照下面的构建说明进行操作。将 -DGGML_CUDA=ON 改为 -DGGML_CUDA=OFF 如果你没有 GPU，或者只想进行 CPU 推理。

apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/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

如果你想要使用 llama.cpp 直接加载模型，你可以使用下面的方式：（:Q2_K_XL）是量化类型。你也可以通过 Hugging Face（第 3 点）下载。这与 ollama run 类似。使用 export LLAMA_CACHE="folder" 强制 llama.cpp 保存到指定位置。请记住，该模型的最大上下文长度只有 128K。

请尝试 -ot ".ffn_.*_exps.=CPU" 将所有 MoE 层卸载到 CPU！这实际上允许你把所有非 MoE 层放在 1 块 GPU 上，从而提升生成速度。如果你有更多 GPU 容量，可以自定义正则表达式以容纳更多层。

如果你有更多一点 GPU 显存，试试 -ot ".ffn_(up|down)_exps.=CPU" 这会卸载 up 和 down 投影 MoE 层。

试试 -ot ".ffn_(up)_exps.=CPU" 如果你有更多 GPU 显存。这只会卸载 up 投影 MoE 层。

最后，通过以下方式卸载所有层 -ot ".ffn_.*_exps.=CPU" 这使用的 VRAM 最少。

你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 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（在安装之后 pip install huggingface_hub hf_transfer ）。你可以选择 UD-Q2_K_XL（动态 2bit 量化）或其他量化版本，例如 Q4_K_M 。我们 建议使用我们的 2.7bit 动态量化 UD-Q2_K_XL 来平衡体积和准确率.

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "0" # 有时可能触发速率限制，因此设为 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；动态 1bit 使用 "*UD-TQ1_0*"
)

你可以编辑 --threads 32 以设置 CPU 线程数， --ctx-size 16384 以设置上下文长度， --n-gpu-layers 2 用于 GPU 卸载的层数。如果你的 GPU 显存不足，可以尝试调整它。如果你只进行 CPU 推理，也请移除它。

./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"

如果你没有足够的 RAM 和 VRAM 总和，请使用 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*"], # 动态 2bit 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

然后使用 OpenAI 的 Python 库，先执行 pip install openai :

from openai import OpenAI
import json
openai_client = OpenAI(
    base_url = "http://127.0.0.1:8001/v1",
    api_key = "sk-no-key-required",
)
completion = openai_client.chat.completions.create(
    model = "unsloth/DeepSeek-V3.1-Terminus",
    messages = [{"role": "user", "content": "2+2 等于多少？"},],
)
print(completion.choices[0].message.content)

💽模型上传

我们所有的上传 - 包括那些不是基于 imatrix 或动态的上传 - 都使用我们的校准数据集，该数据集专门针对对话、编码和语言任务进行了优化。

下面是完整的 DeepSeek-V3.1 模型上传：

我们还上传了 IQ4_NL 和 Q4_1 量化版本，它们分别针对 ARM 和 Apple 设备运行得更快。

MoE 比特数

类型 + 链接

磁盘大小

详情

1.66bit

TQ1_0

170GB

1.92/1.56bit

1.78bit

IQ1_S

185GB

2.06/1.56bit

1.93bit

IQ1_M

200GB

2.5/2.06/1.56

2.42bit

IQ2_XXS

216GB

2.5/2.06bit

2.71bit

Q2_K_XL

251GB

3.5/2.5bit

3.12bit

IQ3_XXS

273GB

3.5/2.06bit

3.5bit

Q3_K_XL

296GB

4.5/3.5bit

4.5bit

Q4_K_XL

384GB

5.5/4.5bit

5.5bit

Q5_K_XL

481GB

6.5/5.5bit

我们也上传了以下格式的版本 BF16 格式，以及原始 FP8（float8）格式.

🏂 提升生成速度

如果你有更多 VRAM，可以尝试卸载更多 MoE 层，或者直接卸载整层。

通常， -ot ".ffn_.*_exps.=CPU" 会把所有 MoE 层卸载到 CPU！这实际上允许你把所有非 MoE 层放在 1 块 GPU 上，从而提升生成速度。如果你有更多 GPU 容量，可以自定义正则表达式以容纳更多层。

如果你有更多一点 GPU 显存，试试 -ot ".ffn_(up|down)_exps.=CPU" 这会卸载 up 和 down 投影 MoE 层。

试试 -ot ".ffn_(up)_exps.=CPU" 如果你有更多 GPU 显存。这只会卸载 up 投影 MoE 层。

你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 MoE 层。

最新的 llama.cpp 版本还引入了高吞吐模式。使用 llama-parallel。了解更多这里。你也可以 将 KV cache 量化为 4bit ，例如减少 VRAM / RAM 之间的数据移动，这也能让生成过程更快。

📐 如何适配长上下文（完整 128K）

要适配更长上下文，你可以使用 KV cache 量化 将 K 和 V 缓存量化到更低比特。由于减少了 RAM / VRAM 数据移动，这也可以提高生成速度。K 量化允许的选项（默认是 f16）包括以下内容。

--cache-type-k f32, f16, bf16, q8_0, q4_0, q4_1, iq4_nl, q5_0, q5_1

你应该使用 _1 这些变体以获得稍高的准确率，不过会稍慢一些。例如 q4_1, q5_1

你也可以量化 V cache，但你需要 通过以下方式编译支持 Flash Attention 的 llama.cpp ： -DGGML_CUDA_FA_ALL_QUANTS=ON，并使用 --flash-attn 来启用它。然后你可以与 --cache-type-k :

--cache-type-v f32, f16, bf16, q8_0, q4_0, q4_1, iq4_nl, q5_0, q5_1

上一页FunctionGemma

下一页Llama 4

最后更新于 4个月前

这有帮助吗？

⚙️ 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 并且默认如此）

📚 思考模式（使用 thinking = True或 enable_thinking = True 并且默认如此）

🏹 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

🏂 提升生成速度

📐 如何适配长上下文（完整 128K）

📔 非思考模式（使用 `thinking = False`或 `enable_thinking = False` 并且默认如此）

📚 思考模式（使用 `thinking = True`或 `enable_thinking = True` 并且默认如此）