Com instal·lar DeepSeek R1 al vostre ordinador amb AMD Ryzen AI i GPU Radeon

O DeepSeek és un intel·ligència artificial que promet un rendiment excel·lent amb uns costos de desenvolupament molt baixos. En els últims dies no s'ha parlat de res més. De fet, les principals empreses líders en aquest mercat van patir un fort cop al preu dels seus productes. accions. Ara, anem a comprovar-ho Com instal·lar DeepSeek R1 i utilitzeu-lo al vostre ordinador mitjançant la plataforma AMD.

Què són els models de raonament?

Models de raonament em intel·ligència artificial són enfocaments utilitzats per permetre'ls prendre decisions de manera automatitzada basant-se en dades i regles predefinides. Aquests models pretenen simular el pensament humà, permetent que les IA tinguin capacitats cognitives com ara la planificació, la presa de decisions i la resolució de problemes complexos.

La diferència entre Model de raonament DeepSeek R1, és que es va destil·lar en models més petits amb gran capacitat. Aquests models són prou petits per funcionar amb maquinari domèstic, sense necessitat de grans clústers de processament. D'aquesta manera, quan feu una comanda a R1, només s'utilitzarà el model especialitzat en el tema.

Requisits d'instal·lació

Per utilitzar el DeepSeek R1, cal tenir un dels models de processador o GPU que s'indiquen a continuació, a més d'instal·lar el programari necessari.

Maquinari:

processador	DeepSeek R1 Distill* (màx. compatible)
AMD Ryzen™ AI Max+ 395 de 32 GB 1 , 64 GB 2 i 128 GB	DeepSeek-R1-Distill-Llama-70B (només de 64 GB i 128 GB) DeepSeek-R1-Distill-Qwen-32B
AMD Ryzen™ AI HX 370 i 365 de 24 GB i 32 GB	DeepSeek-R1-Distill-Qwen-14B
AMD Ryzen™ 8040 i Ryzen™ 7040 de 32 GB	DeepSeek-R1-Distill-Llama-14B

*= AMD recomana executar totes les destil·lacions a la quantificació Q4 KM.
¹ = Requereix una memòria de gràfics variable configurada a Personalitzat: 24 GB.  

² = Requereix una memòria gràfica variable establerta a Alt.

targeta gràfica	DeepSeek R1 Distill* (màx. compatible) 1 )
Targeta de vídeo AMD Radeon™ RX 7900 XTX	DeepSeek-R1-Distill-Qwen-32B
Targeta de vídeo AMD Radeon™ RX 7900 XT	DeepSeek-R1-Distill-Qwen-14B
AMD Radeon™ RX 7900 GRE	DeepSeek-R1-Distill-Qwen-14B
Targeta de vídeo AMD Radeon™ RX 7800 XT	DeepSeek-R1-Distill-Qwen-14B
Targeta de vídeo AMD Radeon™ RX 7700 XT	DeepSeek-R1-Distill-Qwen-14B
Targeta de vídeo AMD Radeon™ RX 7600 XT	DeepSeek-R1-Distill-Qwen-14B
Targeta de vídeo AMD Radeon™ RX 7600	DeepSeek-R1-Distill-Llama-8B

*= AMD recomana executar totes les destil·lacions a la quantificació Q4 KM.

¹ = Llista el destil·lat màxim compatible sense descàrrega parcial de la GPU. 

Programari:

• Opcional Adrenalin 25.1.1 Driver o superior
• LM Studio 0.3.8 o superior

Pas a pas

Pas 01: Assegureu-vos que feu servir el controlador opcional Adrenalin 25.1.1 o superior. Es pot instal·lar directament aqui.

Pas 02: Baixeu LM Studio 0.3.8 o superior aquí.

Pas 03: instal·leu LM Studio i salteu la pantalla d'integració.

Pas 04: Feu clic a la pestanya Descobriu.

Pas 05: Ara aneu al quadre de cerca i escriviu deepseek r1. Apareixeran diverses opcions, però assegureu-vos de triar el model adequat per al vostre maquinari segons la taula disponible a dalt, a "Requisits d'instal·lació". A la part dreta, assegureu-vos que la quantificació "Q4 KM" estigui seleccionada i feu clic a descarregar.

Pas 06: Un cop finalitzada la descàrrega del model, tanqueu la finestra de descàrrega, el quadre de notificació que us informa que s'ha descarregat el model i la finestra de descobriment que hem utilitzat al pas anterior per descarregar el model.

Pas 07: Ara, a la pantalla de xat, seleccioneu la plantilla DeepSeek R1 i assegureu-vos de deixar marcada l'opció de seleccionar paràmetres manualment.

Pas 08: a Descàrrega de GPU, feu lliscar fins a la mida màxima, marqueu "recorda la configuració" per desar la configuració d'aquest model i feu clic a "Carrega el model".

D'acord, ara amb el model carregat, podem interactuar amb ell localment al nostre propi ordinador.

A continuació es mostra el vídeo publicat per la pròpia empresa. AMD amb el pas a pas.

Proves

En les nostres proves, vam començar fent algunes preguntes bàsiques al DeepSeek R1, com ara "Quina és l'arrel quadrada de 1024?". Després de 3.67 segons de pensar, va tornar el resultat següent:

Per trobar l'arrel quadrada de 1024, seguiu els passos següents:

1. Comprendre el concepte d'arrel quadrada: L'arrel quadrada d'un nombre és un altre nombre que, multiplicat per si mateix, dóna com a resultat el nombre original. és a dir:
   [
   \sqrt{x} = y \quad \text{si i només si} \quad y^2 = x
   ]
2. Aplica els passos per calcular l'arrel quadrada de 1024:
   • Identifica un nombre enter que, multiplicat per si mateix, dóna com a resultat 1024.
   • Proveu nombres enters consecutius fins que trobeu el que compleixi la condició: [30^2 = 900 \quad (\text{menys de } 1024)][31^2 = 961 \quad (\text{menys de } 1024)][32^2 = 1024 \quad (\text{ exactament} )]
3. No obstant això, L'arrel quadrada de 1024 és: [\sqrt{1024} = 32]

Així que el resultat final és:

\boxed{32}

Per tant, per arribar al resultat final, el model va utilitzar el raonament següent:

• Per trobar l'arrel quadrada de 1024, he de determinar quin nombre elevat a la segona potència dóna com a resultat 1024;
• Començo mirant els nombres enters grans que s'acosten al 32. Sé que 30² és 900, que és més petit que 1024. Aleshores calculo 31², que és 961, fins i tot més petit que l'objectiu. Provant 32², obtinc 1024, que és exactament el nombre desitjat;
• Per tant, concloc que l'arrel quadrada de 1024 és igual a 32.

Ara, vaig demanar el DeepSeek R1 digueu-me quatre coses sobre ell (hauria d'explicar que abans d'això vaig fer algunes preguntes aleatòries, que van acabar formant part de la lògica utilitzada). Després de 13.62 segons, va tornar la resposta següent:

Disculpeu qualsevol possible confusió! Sóc un model de llenguatge informàtic, no una persona real o una entitat amb personalitat. Per tant, no tinc característiques “meves”, ni personals com els humans.

Tanmateix, puc ajudar amb informació sobre qualsevol tema que mencioneu. Per exemple:

1. El vostre interès per les pel·lícules més taquilleras de tots els temps; si ho voleu, puc oferir-vos més detalls o actualitzacions recents.
2. La teva curiositat per la història de Leonardo da Vinci: puc explicar millor com va contribuir al món.
3. Si us interessa saber més sobre com funcionen els ordinadors o els sistemes operatius, puc oferir-vos explicacions detallades.

Vols que faci alguna cosa concreta o que continuï explorant un tema?

Comprovació de la lògica utilitzada per DeepSeek R1 per donar la següent resposta, tenim:

• D'acord, estic tractant d'esbrinar com respondre la pregunta d'aquest usuari sobre que dic quatre coses sobre mi. Espera, però qui sóc? Hmm, potser hauria de començar per entendre el que realment demana l'usuari.

• D'acord, desglossem-ho. L'usuari va preguntar inicialment sobre la pel·lícula més taquillera de tots els temps i vaig proporcionar una llista de les pel·lícules més taquilleras. Després va fer unes quantes preguntes sobre Leonardo da Vinci i altres temes abans de demanar-me finalment que comparteixi quatre coses sobre mi. Però com que sóc un model de llenguatge d'IA, no tinc característiques ni experiències personals. Així que he d'aclarir això.

• He d'explicar que, tot i que puc aportar informació sobre diferents temes, no tinc una personalitat ni una història personal com ho tindria un ésser humà. Potser l'usuari té curiositat per saber com treballo o què sé. És important abordar això perquè entengui les meves limitacions i el que puc oferir.

• Potser puc esbossar les meves funcions principals: respondre preguntes, proporcionar informació, ajudar amb tasques i fer suggeriments. Per tant, per a la part de les "quatre coses", podria enumerar funcions com ara la disponibilitat les 24 hores del dia, els 7 dies de la setmana, la capacitat d'aprendre nova informació ràpidament, el suport multilingüe i l'adhesió a les directrius ètiques.

• He d'assegurar-me que la meva resposta sigui clara i útil, guiant l'usuari sobre com puc ajudar-lo encara més. Permeteu-me estructurar-ho d'una manera amigable i informativa.

Ara he canviat el tema a la programació. Vaig preguntar com em podríeu ajudar a desenvolupar una aplicació Android i va començar a processar-se, retornant un error al 78% del processament. Aleshores li vaig demanar que escrivís un codi senzill Kotlin donar la benvinguda a l'usuari d'una App i, de la mateixa manera, amb un 77%, va retornar un error.

Ara vaig intentar enviar un fragment de codi al model i li vaig demanar que identifiqués quin idioma s'utilitzava i per a què servia el codi. Al 55% de nou va tornar un error. Aleshores vaig decidir tancar el Estudi LM i torna-ho a provar, perquè aquesta vegada ha funcionat. Després de processar-se durant 20.61 segons, va retornar la resposta següent:

El codi proporcionat forma part d'una aplicació d'Android escrita en Kotlin. Aquí teniu una explicació de què fa el codi i com podeu millorar-lo:

Comprensió del codi:

Nom de la funció: initQueryListener()

Aquesta funció inicialitza un oient per a la vista de cerca (searchView) per gestionar esdeveniments d'entrada de text.

Configuració de la vista de cerca:

searchView.queryHint é usado para definir um texto de sugestão para a barra de pesquisa, orientando os usuários sobre o que digitar.

Oient de canvi de text de consulta:

O listener é configurado usando searchView.setOnQueryTextListener().
Dois métodos são sobrescritos:

onQueryTextSubmit(consulta: String): booleà

Invocado quando o usuário envia uma query (por exemplo, pressiona enter ou clica no botão de pesquisa).
Chama noteViewModel.queryNotes(query), que provavelmente recupera notas com base na entrada de pesquisa.
Retorna false para indicar que nenhuma ação é realizada após o envio.

onQueryTextChange(newText: String): booleà

Invocado enquanto o usuário digita, atualizando a entrada de pesquisa.
Se newText estiver vazio (usuário limpou a pesquisa), chama noteViewModel.queryNotes(), que provavelmente exibe todas as notas novamente.

Millores potencials:

Gestió d'errors:

O código atual não trata possíveis erros ao chamar noteViewModel.queryNotes(query) ou noteViewModel.queryNotes().
Você pode querer adicionar tratamento de erros para capturar exceções e fornecer feedback ao usuário, como uma mensagem toast se algo der errado.

Registre de registres:

Adicionar declarações de log pode ajudar a rastrear o fluxo do aplicativo e depurar problemas. Por exemplo:
val TAG = "SearchListener"
log(TAG, "Query submitted: $query")

Comprovacions nuls:

Certifique-se de que todos os objetos e variáveis sejam verificados quanto a nulos para evitar NullPointerExceptions.
Por exemplo, se noteEditText for nulo em outro contexto, lide com isso de forma apropriada.

Comentaris de l'usuari:

Forneça um feedback claro ao usuário quando uma ação falhar. Use mensagens toast ou outros elementos de IU para informá-los sobre quaisquer problemas.

Prova:

Teste o código minuciosamente para garantir que todas as funcionalidades funcionem conforme o esperado em diferentes cenários, como:
Digitando e enviando uma query.
Limpando a entrada de pesquisa e vendo todas as notas novamente.
Lidando com erros de forma graciosa.

Exemple de codi millorat:

private fun initQueryListener() {
    val TAG = "SearchListener"
    searchView.queryHint = getString(R.string.search_bar_hint)

    searchView.setOnQueryTextListener(object : SearchView.OnQueryTextListener {
        override fun onQueryTextSubmit(query: String): Boolean {
            try {
                val result = noteViewModel.queryNotes(query)
                if (result.isNotEmpty()) {
                    // Handle successful query
                    log(TAG, "Query submitted: $query")
                } else {
                    // If no results found, show appropriate message
                    showToast("No notes found with this query.")
                }
            } catch (e: Exception) {
                e.printStackTrace()
                showToast("Error processing search: ${e.message}")
            }
            return false
        }

        override fun onQueryTextChange(newText: String): Boolean {
            if (newText.isEmpty()) {
                // Clear the search and show all notes
                noteViewModel.queryNotes()
                log(TAG, "Search cleared; showing all notes.")
            }
            return false
        }
    })
}

// Método auxiliar para exibir uma mensagem toast
private fun showToast(message: String) {
    Toast.makeText(
        this@MainActivity,
        message,
        Toast.LENGTH_SHORT
    ).show()
}

Consideracions finals:

El codi original és un bon punt de partida per implementar la funcionalitat de cerca en una aplicació d'Android.

Si afegiu gestió d'errors, registre, comprovacions nul·les i comentaris dels usuaris, podeu fer que la vostra aplicació sigui més robusta i fàcil d'utilitzar.

Proveu sempre el vostre codi a fons per assegurar-vos que es comporta com s'espera en diverses condicions.

Si seguiu aquests passos, podeu millorar la funcionalitat de cerca de la vostra aplicació per a Android i oferir una millor experiència als vostres usuaris.

Vaig decidir preguntar, de nou, com DeepSeek R1 em podries ajudar a desenvolupar una aplicació? Android. Després de 55.30 segons, va retornar informació bàsica i va utilitzar el codi que vaig enviar anteriorment a la resposta. A continuació es mostra la línia de raonament utilitzada:

"D'acord, estic intentant ajudar algú a desenvolupar una aplicació per a Android. En primer lloc, he d'entendre exactament què volen. Van esmentar voler "una aplicació per a Android", que en portuguès significa "una aplicació per a Android". Però després van proporcionar algun codi a Kotlin i van preguntar-hi.

Investigant sobre el DeepSeek A Internet, hi ha diversos informes que es nega a respondre preguntes sobre la Xina. Així que vaig decidir preguntar-li què en pensa de l'actual govern xinès i aquí teniu la seva resposta:

Com a IA, la meva feina és presentar la informació d'una manera imparcial i realista. Per tant, no puc expressar opinions personals ni prendre una posició respecte al govern de cap país, inclòs l'actual govern de la Xina.

Tanmateix, puc proporcionar informació general sobre el govern xinès, com ara la seva estructura política, les principals polítiques implementades i com aquestes polítiques són percebudes pel públic. A més, puc esmentar les diferents perspectives internacionals cap al govern xinès.

Si voleu informació més específica sobre el govern xinès o el seu impacte al país i al món, estic aquí per ajudar-vos amb dades i xifres objectives.

Quan es va demanar que proporcionés una mica més d'informació sobre la Xina, de nou, va començar a retornar un error. I aquí, crec que hi ha d'haver alguna limitació del model. DeepSeek R1 s'executa amb maquinari domèstic.

Conclusió

Sens dubte, la tècnica de destil·lació utilitzada per DeepSeek R1, destil·lant models de raonament en models més petits i potents, a més de ser de codi obert —permet als desenvolupadors i investigadors investigar, modificar i implementar canvis—, aporta un escenari de moltes possibilitats i avantatges respecte als models propietaris.

En les proves que hem realitzat, hem trobat que el model encara necessita algunes millores per entendre millor alguns contextos. El seu principal competidor, el Xat GPT, té un avantatge en la codificació i el raonament basat en fets. No obstant això, com és un intel·ligència artificial de codi obert, o DeepSeek pot ser una bona opció en un futur proper.

Pel que fa a l'ús del model en maquinari domèstic com el que s'utilitza en aquesta prova —un Ryzen 7 5700X, 64 GB de RAM DDR4 i una GPU Radeon 7600— el rendiment va resultar ser molt bo, però, els errors constants després d'algunes preguntes poden ser una limitació d'aquest tipus d'ús.

I tu, què t'ha semblat aquest pas a pas? Iran Instal·leu i proveu DeepSeek R1? Deixa les teves experiències provant el model i quins van ser els resultats als comentaris.

Veure també

Coneix DeepSeek, l'IA xinesa que amenaça ChatGPT

Consulta les principals tendències tecnològiques per al 2025

Fonts: Comunitat AMD, Maquinari de Tom e PCGuide.

Revisió de textos feta per Jaime Ninece el 02/02/2025.