DeepSeek本地部署需按模型版本匹配硬件：R1-7B可用RTX 4090单卡，V4-Flash-0731需双3090或M2 Ultra Mac，R1-70B须A100×2以上；Windows用conda+精确版本依赖，Mac依赖统一内存与GGUF量化。

想在自己电脑上跑DeepSeek模型，得先看清它吃多少硬件——不是所有“本地部署”都等于“你家笔记本能开箱即用”，参数量、量化方式、推理引擎三者叠加，直接决定你该买新卡还是翻出旧Mac。

看准模型版本再查配置

DeepSeek不同版本对硬件要求差异极大，必须先锁定你要跑的具体模型：

• 【DeepSeek-R1-7B】：消费级显卡主力选择，RTX 4090单卡即可运行FP8量化版，显存占用约12GB，32GB内存+1TB NVMe SSD就够用；

• 【DeepSeek-V4-Flash-0731】：总参数304B但每次只激活13B，靠MoE架构+混合量化压到97GB文件大小，需192GB内存+双RTX 3090（或128GB统一内存的M2 Ultra Mac）；

• 【DeepSeek-R1-70B】：非企业级设备勿碰，最低需A100 80GB×2，推荐H100×4+512GB内存+100Gbps网络，否则加载失败或OOM崩溃。

Windows用户：conda环境+GPU驱动两步定生死

第一步：确认NVIDIA驱动版本≥535.104，执行nvidia-smi能看到GPU状态才算真正就绪；

第二步：用Miniconda新建隔离环境，严格按此命令执行：

conda create -n deepseek_env python=3.10 → conda activate deepseek_env → pip install torch==2.1.0+cu121 -f https://download.pytorch.org/whl/torch_stable.html；

【pip install transformers==4.35.0 accelerate==0.25.0 必须精确匹配】，版本错一位就会报CUDA kernel launch failed，重装十次也白搭。

Mac用户：统一内存是硬门槛，别信“M1能跑70B”的截图

方法一（M2/M3 Pro及以上）：直接用llama.cpp + GGUF量化版，终端执行：

brew install llama.cpp → git clone https://github.com/ggerganov/llama.cpp → make clean && make; 启动时加--n-gpu-layers 1参数把部分计算卸载到GPU；

方法二（M1基础版或MacBook Air）：只能跑7B以下GGUF Q4_K_M量化模型，且必须关闭Metal加速（加--no-mmap参数），否则内存爆满卡死；

【128GB统一内存是V4-Flash唯一可行的Mac方案】，低于此规格强行加载会触发系统级内存压缩，模型根本进不了RAM。

一键部署工具实测对比

方法一（Ollama）：终端输入ollama run deepseek-r1:7b，自动拉取并启动HTTP服务，默认端口11434，适合快速测试但不支持MoE模型；

方法二（LMStudio）：Windows/macOS图形界面工具，拖入GGUF文件→点“Start Server”，可实时调参，但加载V4-Flash时需手动勾选“Use GPU Acceleration”并指定显存分配比例；

方法三（官方一键脚本）：Mac用户执行bash <(curl -s https://raw.githubusercontent.com/deepseek-ai/deploy/main/install.sh)，Windows用户用PowerShell运行irm https://raw.githubusercontent.com/deepseek-ai/deploy/main/install.ps1 | iex，【脚本仅适配V4-Flash-0731及后续版本】，老模型会报404。