(2025)深度分析DeepSeek-R1开源的6种蒸馏模型之间的逻辑处理和编写代码能力区别以及配置要求，并与ChatGPT进行对比(附本地部署教程)

(2025)通过Ollama光速部署本地DeepSeek-R1模型(支持Windows10/11)_deepseek猫娘咒语-CSDN博客文章浏览阅读1k次，点赞19次，收藏9次。通过Ollama光速部署本地DeepSeek-R1(支持Windows10/11)_deepseek猫娘咒语https://blog.csdn.net/m0_70478643/article/details/145486626?spm=1001.2014.3001.5501在上一篇文章中我们完成了DeepSeek-R1的光速本地部署。

我对几种可以本地部署的、个人电脑可以带得动的蒸馏模型的性能进行了测试，并测试了各模型的大概配置需求。以便在本地部署时选择合适的模型。

DeepSeek-R1模型简介

首先，DeepSeek-R1开源的模型一共有以下几种：

"Distill": 意味着这些模型是通过蒸馏（knowledge distillation）的方法进行优化的。蒸馏是一种模型压缩技术，主要用于在不显著降低性能的前提下减少模型的大小和复杂度。

"Qwen"代表通义千问(阿里巴巴)，可以简单理解为针对中文进行了优化适配。

"Llama"代表Meta(Facebook)，也可以简单理解成是针对英文进行了优化适配。

"B"代表这个模型的规模(Model Size)，x B代表这个模型使用了x十亿个参数，可以简单理解为数字越大内存/显存需求越高，推理效果越好（越聪明）。

我下载了全部的中文版模型进行测试。

分别测试模型性能

1.5b

1.5b逻辑推理能力测试

首先是测试1.5b模型常用的几个问题。

可以看出，1.5b非常的蠢，大略等同于2019年的GPT2.0，属于几乎不能用的状态。

1.5b硬件配置要求

优点是显存占用非常非常的少，并且可以秒回，适合硬件性能很差但仍然想尝试一下本地部署的用户。（测试用GPU是4080，本地跑模型对CPU几乎没要求，i7-9700都可以无压力跑，大模型对内存有一定要求）

7b

7b逻辑推理能力测试

对于这种问题7b可以精准回答并且不需要思考很多（占用很多token）。

但经典的数r问题就露馅了。

和GPT当前最先进的版本4o差不多。

因为GPT，没有对中文做适配优化，出于公平考虑，我们用英文并开启推理功能再问一遍（GPT只有o3-mini可以推理）

最终得出结论，自然语言处理能力上，7b约等于GPT 4o/o3-mini。

7b硬件配置要求

7b的显存占用也不算高，约4-5GB，1060显卡也可以跑得动，属于是性价比非常高的模型！

14b

14b逻辑推理能力测试

接下来让我们看看14b的表现

虽然正确的数出了有三个r，但是处理的并不轻松，推理过程巨长

限于篇幅，这只是一小部分思考，它全篇检查并重新数了五次，但总算是成功数出来了。

其他常用的测试题也可以成功输出。

14b逻辑推理能力进阶测试

这种对人类都有些绕的题14b也能解决，反观GPT

14b的NLP能力已经远超GPT，各种AI逻辑测试题没有任何一道可以难住它。

14b代码编写能力测试

接下来测试它的代码编写能力

完整代码如下

import cv2
import mathdef find_yellow_circles(image_path):# 读取图像img = cv2.imread(image_path)if img is None:print("无法加载图像")return# 转换为HSV颜色空间hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)# 定义黄色范围（可以根据需要调整）lower_yellow = (10, 50, 50)upper_yellow = (30, 255, 255)# 创建掩膜mask = cv2.inRange(hsv, lower_yellow, upper_yellow)# 应用形态学操作以消除噪声和连接区域kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))mask = cv2.erode(mask, kernel, iterations=1)mask = cv2.dilate(mask, kernel, iterations=2)# 查找连通区域contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 初始化结果图像result = img.copy()for contour in contours:# 计算包围圆的参数(x, y), radius = cv2.minEnclosingCircle(contour)# 计算面积area = cv2.contourArea(contour)# 计算圆形度：实际面积与理论圆形面积的比例circularity = area / (math.pi * radius**2)# 过滤非圆形区域（可以根据需要调整阈值）if circularity > 0.5:# 绘制检测到的圆圈cv2.circle(result, (int(x), int(y)), int(radius), (0, 255, 0), 2)# 显示结果图像cv2.imshow("Yellow Circles Detected", result)cv2.waitKey(0)cv2.destroyAllWindows()# 示例用法：将 image_path 替换为实际的图像路径
image_path = "path_to_your_image.jpg"
find_yellow_circles(image_path)

让我们来测试一下这个代码，原始图像如下

代码执行结果如下

可以看出，14b的代码编写能力已经非常非常的夸张了，领先GPT至少一个大版本。

14b硬件配置要求

缺点是需要8-9GB显存，用朋友的4060 8GB版跑会超出显存，占用内存，这会导致CPU占用飙升且回答速度非常慢，但仍然可以输出。

32b

到这里几乎就是普通个人设备的终点了，接下来是32b模型。语言推理能力对于32b来说已经是无需测试了，直接测试他的代码编写能力。

32b代码编写能力测试

同样的问题32b给出的代码：

import cv2
import numpy as npdef find_yellow_circles(image_path):# 读取图像image = cv2.imread(image_path)if image is None:print("无法读取图像")return# 转换为HSV颜色空间hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)# 定义黄色的范围（H在15到40之间）lower_yellow = np.array([15, 70, 70])upper_yellow = np.array([40, 255, 255])# 创建掩膜，提取黄色区域mask = cv2.inRange(hsv_image, lower_yellow, upper_yellow)# 使用形态学操作去除噪声kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)# 应用掩膜到原图像yellow_image = cv2.bitwise_and(image, image, mask=mask)# 转换为灰度图并进行边缘检测gray = cv2.cvtColor(yellow_image, cv2.COLOR_BGR2GRAY)edges = cv2.Canny(gray, 50, 150)# 使用霍夫圆变换检测圆形circles = cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, dp=1, minDist=20,param1=50, param2=30, minRadius=10, maxRadius=100)if circles is not None:# 将检测到的圆转换为整数坐标circles = np.round(circles[0]).astype(int)for (x, y, r) in circles:# 绘制圆形边界和中心点cv2.circle(image, (x, y), r, (0, 255, 0), 2)cv2.rectangle(image, (x - 5, y - 5), (x + 5, y + 5), (0, 128, 255), -1)# 显示结果cv2.imshow("Yellow Circles", image)cv2.waitKey(0)cv2.destroyAllWindows()return circlesprint("未检测到黄色圆圈")return None# 使用示例
image_path = "your_image.jpg"  # 替换为你的图像路径
find_yellow_circles(image_path)