【Tutorial】一文学会在AIStudio上部署Deepseek-R1

该项目总结了 AIStudio 上主流的 DeepSeek-R1 调用方式，省去开发者调研工作，助力平台项目繁荣。介绍了四种方法：星河大模型 API 服务、星河社区一键部署（均不刚需 GPU，推荐），Ollama 本地部署、PaddleNLP 3.0 部署（推荐 GPU 环境），并详述操作步骤。用户可 fork 项目，选合适环境运行，发挥创造力开发。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

一、项目背景

自DeepSeek-R1发布的一个多月以来，DeepSeek-R1一直霸占大模型热门榜，AIStudio平台上的关于DeepSeek-R1的热门项目也层出不穷。

从个人调研来看，AIStudio上的项目大多是将DeepSeek-R1部署后使用，方法有通过Ollama部署、通过PaddleNLP调用等，部分项目会选择调用千帆大模型ModelBuilder中的DeepSeek-R1的API接口，等等，不一而论。

那么，本项目总结了时下主流的DeepSeek-R1调用方式，省去开发者调研的工作，助力AIStudio项目繁荣。

快速开始

fork 本项目，选择合适的环境运行项目。这个正在看的ipynb重命名为一个你喜欢的名字，列如deepseek.ipynb。选择某种方法部署模型。新建一个名字是main.ipynb的文件，发挥你的创造力。

环境选择（必看）

本项目介绍的四种方法，二、星河大模型 API 服务（推荐） 和 三、星河社区一键部署（推荐） 不刚需GPU环境，

其余的两种环境推荐使用GPU环境，V100或A100都可以，显存大小不做要求。

二、星河大模型 API 服务（推荐）

点击这里前往星河大模型 API 服务

是的，星河大模型 API 服务支持DeepSeek-R1了！

填完参数后，一键即可调用！

文生文

含有 AI Studio 访问令牌的环境变量，https://aistudio.baidu.com/account/accessToken,

如果想跑通DEMO，那么就要在下面的代码中更换你的AI_STUDIO_API_KEY。

In [ ]

import osos.environ["AI_STUDIO_API_KEY"] = "your_access_token"

In [ ]

import osfrom openai import OpenAIclient = OpenAI(     api_key=os.environ.get("AI_STUDIO_API_KEY"),  # 含有 AI Studio 访问令牌的环境变量，https://aistudio.baidu.com/account/accessToken,     base_url="https://aistudio.baidu.com/llm/lmapi/v3",  # aistudio 大模型 api 服务域名)chat_completion = client.chat.completions.create(    messages=[        {'role': 'system', 'content': '你是开发者助理，你精通开发相关的知识，负责给开发者提供搜索帮助建议。'},        {'role': 'user', 'content': '你好，请介绍一下你自己'}    ],    model="deepseek-r1",    temperature=0.6,)print(chat_completion.choices[0].message.content)

多轮对话

In [ ]

import osfrom openai import OpenAIdef get_response(messages):    client = OpenAI(        api_key=os.environ.get("AI_STUDIO_API_KEY"),  # 含有 AI Studio 访问令牌的环境变量，https://aistudio.baidu.com/account/accessToken,        base_url="https://aistudio.baidu.com/llm/lmapi/v3",  # aistudio 大模型 api 服务域名    )    completion = client.chat.completions.create(model="ernie-3.5-8k", messages=messages)    return completionmessages = [    {        "role": "system",        "content": "你是 AI Studio 开发者助理，你精通开发相关的知识，负责给开发者提供搜索帮助建议。",    }]assistant_output = "您好，我是AI Studio 开发者助理，请问有什么能帮助你的吗？"print(f"""输入："结束"，结束对话""")print(f"模型输出：{assistant_output}")user_input = ""while "结束" not in user_input:    user_input = input("请输入：")    # 将用户问题信息添加到messages列表中    messages.append({"role": "user", "content": user_input})    assistant_output = get_response(messages).choices[0].message.content    # 将大模型的回复信息添加到messages列表中    messages.append({"role": "assistant", "content": assistant_output})    print(f"模型输出：{assistant_output}")    print("")

流式输出

In [ ]

import osfrom openai import OpenAIclient = OpenAI(    api_key=os.environ.get("AI_STUDIO_API_KEY"),  # 含有 AI Studio 访问令牌的环境变量，https://aistudio.baidu.com/account/accessToken,    base_url="https://aistudio.baidu.com/llm/lmapi/v3",  # aistudio 大模型 api 服务域名)completion = client.chat.completions.create(    model="ernie-3.5-8k",    messages=[        {'role': 'system', 'content': '你是 AI Studio 实训AI开发平台的开发者助理，你精通开发相关的知识，负责给开发者提供搜索帮助建议。'},        {'role': 'user', 'content': '你好，请介绍一下AI Studio'}    ],    stream=True,)for chunk in completion:    print(chunk.choices[0].delta.content or "", end="")

异步调用

来自开发者的提醒：在异步调用前使用nest_asyncio.apply()，

原因：Python的asyncio框架默认不允许嵌套时间循环，即在一个已经运行的事件循环中启动另一个事件循环会引发RuntimeError: This event loop is already running 的错误。

nest_asyncio 通过打补丁的方式，允许在已有的事件循环中运行新的事件循环，从而解决了这一限制。

In [ ]

!pip install nest_asyncio

In [ ]

import nest_asyncionest_asyncio.apply()

In [ ]

import osfrom openai import AsyncOpenAIimport asyncioclient = AsyncOpenAI(    api_key=os.environ.get("AI_STUDIO_API_KEY"),  # 含有 AI Studio 访问令牌的环境变量，https://aistudio.baidu.com/account/accessToken,    base_url="https://aistudio.baidu.com/llm/lmapi/v3",  # aistudio 大模型 api 服务域名)async def main() -> None:    chat_completion = await client.chat.completions.create(        messages=[            {'role': 'system', 'content': '你是 AI Studio 实训AI开发平台的开发者助理，你精通开发相关的知识，负责给开发者提供搜索帮助建议。'},            {'role': 'user', 'content': '你好，请介绍一下AI Studio'}        ],        model="ernie-3.5-8k",    )    print(chat_completion.choices[0].message.content)    asyncio.run(main())

打印思维链(DeepSeek-R1)

是的，这是DeepSeek-R1的专属功能！

非流式

In [ ]

import osfrom openai import OpenAIclient = OpenAI(     api_key=os.environ.get("AI_STUDIO_API_KEY"),  # 含有 AI Studio 访问令牌的环境变量，https://aistudio.baidu.com/account/accessToken,     base_url="https://aistudio.baidu.com/llm/lmapi/v3",  # aistudio 大模型 api 服务域名)chat_completion = client.chat.completions.create(    messages=[        {'role': 'system', 'content': '你是 AI Studio 实训AI开发平台的开发者助理，你精通开发相关的知识，负责给开发者提供搜索帮助建议。'},        {'role': 'user', 'content': '你好，请介绍一下AI Studio'}    ],    model="deepseek-r1",)print(chat_completion.choices[0].message.reasoning_content)print(chat_completion.choices[0].message.content)

流式

In [ ]

import osfrom openai import OpenAIclient = OpenAI(    api_key=os.environ.get("AI_STUDIO_API_KEY"),  # 含有 AI Studio 访问令牌的环境变量，https://aistudio.baidu.com/account/accessToken,    base_url="https://aistudio.baidu.com/llm/lmapi/v3",  # aistudio 大模型 api 服务域名)completion = client.chat.completions.create(    model="deepseek-r1",    messages=[        {'role': 'system', 'content': '你是 AI Studio 实训AI开发平台的开发者助理，你精通开发相关的知识，负责给开发者提供搜索帮助建议。'},        {'role': 'user', 'content': '你好，请介绍一下AI Studio'}    ],    stream=True,)for chunk in completion:    if hasattr(chunk.choices[0].delta, 'reasoning_content') and chunk.choices[0].delta.reasoning_content:        print(chunk.choices[0].delta.reasoning_content, end="", flush=True)    else:        print(chunk.choices[0].delta.content, end="", flush=True)

三、星河社区一键部署（推荐）

部署链接：https://aistudio.baidu.com/deploy/mine

AIStudio平台现在可以全自动化部署DeepSeek-R1了！

0.首先点击进入部署页面。

也可以在侧边栏找到一键部署

1.进入部署界面后，点击新建部署。

2.模型部署窗口。

推理框架：默认选择Ollama，无法更换。模型选择：根据需要自行选择，这里使用deepseek-ai/DeepSeek-R1-Distill-Llama-70B。

选择完成后，点击部署。

3.等待部署成功

当出现下图红框内容时，代表模型部署成功。

4.获取APIKey和BaseURL

单击使用，弹出下图的使用代码。

下面做一个测试。

事实上，**二、星河大模型 API 服务（推荐）**中的代码是通用的。

In [4]

import osfrom openai import OpenAIclient = OpenAI(    api_key="f3fe51a610b66b6774dd1c20cece21899b94d9fd", # 更换为你的    base_url="https://api-p5n1pfy5r2g9sez9.aistudio-app.com/v1" # 更换为你的)chat_completion = client.chat.completions.create(    model="deepseek-r1:70b", # 根据你部署的版本更改    messages=[        {'role': 'system', 'content': 'You are a helpful assistant.'},        {'role': 'user', 'content': '你好，请介绍一下你自己'}    ],    temperature=0.6,  # DeepSeek 官方推荐值)print(chat_completion.choices[0].message.content)

您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-R1。如您有任何任何问题，我会尽我所能为您提供帮助。您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-R1。如您有任何任何问题，我会尽我所能为您提供帮助。

四、Ollama本地部署

这种方式可能是AIStudio中最流行的了。

感谢阿斯顿aaC提供ollama安装包和deepseek-r1模型，放置于公共数据集deepseek-r1中。

整合包提供的是deepseek-r1的7B的Q4_K_M的量化版本，大家可以根据需要自行更换参数量。

deepseek-r1在ollama上的位置：https://ollama.com/library/deepseek-r1

1.环境配置

用于在本地环境中安装并启动 Ollama 服务,通过创建文件夹、解压安装包以及运行服务命令,

以便后续使用 Ollama 进行模型加载和推理等操作,运行成功可看到下图。

In [ ]

# 1. 在根目录下创建`ollama`文件夹!mkdir ollama# 2. 解压ollama!tar -C ollama -xzf data/data315295/ollama-linux-amd64.tgz# 3. 解压deepseek-r1模型!tar -zxvf data/data315295/ollama-models.tar.gz# 4. 复制模型文件到.ollama路径(这是Ollama存放模型的目录, 这样就可以省去从网络下载模型的步骤)!cp -r ./models .ollama# 5. 删除解压的模型文件, 其实3和4可以合并为一步 mv 命令，懒得改了!rm -rf models/

在 Linux 系统中，Ollama 默认将模型存储在 /usr/share/ollama/.ollama/models 目录，

如果一切正常，那么执行tree /home/aistudio/.ollama，应该会得到如下的结构

/home/aistudio/.ollama└── models    ├── blobs    │   ├── sha256-369ca498f347f710d068cbb38bf0b8692dd3fa30f30ca2ff755e211c94768150    │   ├── sha256-40fb844194b25e429204e5163fb379ab462978a262b86aadd73d8944445c09fd    │   ├── sha256-6e4c38e1172f42fdbff13edf9a7a017679fb82b0fde415a3e8b3c31c6ed4a4e4    │   ├── sha256-96c415656d377afbff962f6cdb2394ab092ccbcbaab4b82525bc4ca800fe8a49    │   └── sha256-f4d24e9138dd4603380add165d2b0d970bef471fac194b436ebd50e6147c6588    └── manifests        └── registry.ollama.ai            └── library                └── deepseek-r1                    └── latest

这样，在部署模型时，Ollama就能找到本地的模型权重了。

2.启动Ollama服务

在终端中执行如下命令：

ollama/bin/ollama serve

运行成功可看到下图。

通过如下命令可以查看本地已有的模型权重，不需要特意前往终端执行。

In [4]

# 查看模型!ollama/bin/ollama ls

NAME                  ID              SIZE      MODIFIED           deepseek-r1:latest    0a8c26691023    4.7 GB    About a minute ago

3.部署deepseek-r1模型

通过如下命令可以启动模型。

在终端中执行。

ollama/bin/ollama run deepseek-r1

执行成功如下图。

4.快速推理

老样子，配置OpenAI客户端。

二、星河大模型 API 服务（推荐） 中的代码仍然可以使用（配置完客户端后）。

In [ ]

from openai import OpenAI# 配置 OpenAI SDKclient = OpenAI(    base_url="http://localhost:11434/v1/",  # Ollama 的 API 地址    api_key="ollama",  # Ollama 的 API 密钥,固定为 "ollama")# 调用模型进行对话chat_completion = client.chat.completions.create(    messages=[        {"role": "system", ""}        {"role": "user", "content": "解释下人工智能、机器学习、深度学习三者的关系。"}    ],    model="deepseek-r1",  # 模型名称    temperature=0.6,)print(chat_completion.choices[0].message.content)

五、PaddleNLP 3.0部署

严格地将，基于PaddleNLP 3.0部署DeepSeek-R1进行本地访问，这种方式被划分为“调用”类别更合适。

使用PaddleNLP在飞桨星河社区一键迅速部署DeepseekR1，在本地通过API远程访问。

参考项目：【PaddleNLP 3.0】轻松动手玩转DeepSeek-R1

1.环境配置

采用V100和A100环境。执行以下操作即可。

In [1]

# 自动确认并卸载已安装的 paddlenlp 库!pip uninstall paddlenlp -y# 解压安装PaddleNLP，文件来自PaddleNLP GitHub仓库 develop分支（2025年1月24日）!tar -xf PaddleNLP-20250124-1801.tgz# 创建一个名为 'external-libraries' 的目录，用于存放安装的外部库（星河平台默认安装库重启后会被清空，所以需要将安装的库放到外部目录中）# 创建环境依赖库，针对不同的GPU环境，请使用者自行切换# !mkdir -p /home/aistudio/external-libraries!tar zxf external-libraries.tgz# !!! 依赖文件已经安装在external-libraries中，无需再次安装,

Found existing installation: paddlenlp 2.8.1Uninstalling paddlenlp-2.8.1:  Successfully uninstalled paddlenlp-2.8.1

2.快速推理

In [2]

# 将自定义的外部库目录添加到系统路径中，以便Python能够导入这些库中的模块import sys # 添加包含已安装外部库的目录sys.path.insert(0, '/home/aistudio/external-libraries')# 添加PaddleNLP项目的根目录到系统路径，以便可以导入其模块和包sys.path.insert(0, '/home/aistudio/PaddleNLP')

PaddleNLP 3.0 支持模型名称如下：

deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5Bdeepseek-ai/DeepSeek-R1-Distill-Qwen-7Bdeepseek-ai/DeepSeek-R1-Distill-Qwen-14B (A100 40G环境可以使用)deepseek-ai/DeepSeek-R1-Distill-Qwen-32B (A100 40G环境可以使用, wint8量化)deepseek-ai/DeepSeek-R1-Distill-Llama-8Bdeepseek-ai/DeepSeek-R1-Distill-Llama-70B (需4卡V100 32G环境)In [3]

import paddlefrom llm.predict.predictor import PredictorArgument, ModelArgument, create_predictorfrom paddlenlp.utils import is_paddlenlp_ops_available# 安装paddlenlp_ops算子后需重启内核启用# 支持模型名称# deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B # deepseek-ai/DeepSeek-R1-Distill-Qwen-7B# deepseek-ai/DeepSeek-R1-Distill-Qwen-14B (A100 40G环境可以使用)# deepseek-ai/DeepSeek-R1-Distill-Qwen-32B (A100 40G环境可以使用wint8量化)# deepseek-ai/DeepSeek-R1-Distill-Llama-8B# deepseek-ai/DeepSeek-R1-Distill-Llama-70B (需4卡V100 32G环境)predictor_args = PredictorArgument(    model_name_or_path="deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B",    src_length=1024,    min_length=32,    max_length=2048,    top_k=0,    top_p=0.7,    temperature=0.95,    repetition_penalty=1.0,    dtype="float16",    inference_model= True if is_paddlenlp_ops_available() else False,    # quant_type="weight_only_int8",)paddle.set_default_dtype(predictor_args.dtype)predictor = create_predictor(predictor_args, ModelArgument())

/opt/conda/envs/python35-paddle120-env/lib/python3.10/site-packages/paddle/utils/cpp_extension/extension_utils.py:686: UserWarning: No ccache found. Please be aware that recompiling all source files may be required. You can download and install ccache from: https://github.com/ccache/ccache/blob/master/doc/INSTALL.md  warnings.warn(warning_message)/home/aistudio/external-libraries/tqdm/auto.py:21: TqdmWarning: IProgress not found. Please update jupyter and ipywidgets. See https://ipywidgets.readthedocs.io/en/stable/user_install.html  from .autonotebook import tqdm as notebook_tqdm/opt/conda/envs/python35-paddle120-env/lib/python3.10/site-packages/_distutils_hack/__init__.py:31: UserWarning: Setuptools is replacing distutils. Support for replacing an already imported distutils is deprecated. In the future, this condition will fail. Register concerns at https://github.com/pypa/setuptools/issues/new?template=distutils-deprecation.yml  warnings.warn([2025-02-16 14:27:11,438] [ WARNING] - The paddlenlp_ops package is not installed. you can read the docs and install it by hand, you can refer to: https://github.com/PaddlePaddle/PaddleNLP/blob/develop/csrc/README.md(…)-Distill-Qwen-1.5B/tokenizer_config.json: 100%|██████████| 3.06k/3.06k [00:00<00:00, 6.91MB/s](…)Seek-R1-Distill-Qwen-1.5B/tokenizer.json: 100%|██████████| 7.03M/7.03M [00:00<00:00, 226MB/s](…)eepSeek-R1-Distill-Qwen-1.5B/config.json: 100%|██████████| 673/673 [00:00<00:00, 3.61MB/s][2025-02-16 14:27:12,133] [    INFO] - Loading configuration file /home/aistudio/.paddlenlp/models/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B/config.json[2025-02-16 14:27:12,135] [    INFO] - We are using  to load 'deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B'.[2025-02-16 14:27:12,135] [    INFO] - Loading configuration file /home/aistudio/.paddlenlp/models/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B/config.json(…)k-R1-Distill-Qwen-1.5B/model.safetensors: 100%|██████████| 3.55G/3.55G [00:39<00:00, 89.2MB/s][2025-02-16 14:27:52,188] [    INFO] - Loading weights file from cache at /home/aistudio/.paddlenlp/models/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B/model.safetensors[2025-02-16 14:27:57,559] [    INFO] - Loaded weights file from disk, setting weights to model.W0216 14:27:57.575721   533 gpu_resources.cc:119] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 12.0, Runtime API Version: 11.8W0216 14:27:57.581272   533 gpu_resources.cc:164] device: 0, cuDNN Version: 8.9.[2025-02-16 14:28:52,828] [    INFO] - All model checkpoint weights were used when initializing Qwen2ForCausalLM.[2025-02-16 14:28:52,830] [    INFO] - All the weights of Qwen2ForCausalLM were initialized from the model checkpoint at deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B.If your task is similar to the task the model of the checkpoint was trained on, you can already use Qwen2ForCausalLM for predictions without further training.(…)Distill-Qwen-1.5B/generation_config.json: 100%|██████████| 181/181 [00:00<00:00, 691kB/s][2025-02-16 14:28:52,883] [    INFO] - Loading configuration file /home/aistudio/.paddlenlp/models/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B/generation_config.json/home/aistudio/PaddleNLP/paddlenlp/generation/configuration_utils.py:250: UserWarning: using greedy search strategy. However, `temperature` is set to `0.6` -- this flag is only used in sample-based generation modes. You should set `decode_strategy="greedy_search" ` or unset `temperature`. This was detected when initializing the generation config instance, which means the corresponding file may hold incorrect parameterization and should be fixed.  warnings.warn(/home/aistudio/PaddleNLP/paddlenlp/generation/configuration_utils.py:255: UserWarning: using greedy search strategy. However, `top_p` is set to `0.95` -- this flag is only used in sample-based generation modes. You should set `decode_strategy="greedy_search" ` or unset `top_p`. This was detected when initializing the generation config instance, which means the corresponding file may hold incorrect parameterization and should be fixed.  warnings.warn([2025-02-16 14:28:53,079] [    INFO] - Loading configuration file /home/aistudio/.paddlenlp/models/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B/config.json[2025-02-16 14:28:53,080] [    INFO] - Loading configuration file /home/aistudio/.paddlenlp/models/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B/generation_config.json

In [5]

from IPython.display import Markdowninput_text = "介绍下现代自然语言处理的基石Transformer架构。"result = predictor.predict(input_text)[0]output = result.replace("n", "```n").replace("n", "```n")Markdown(output)

3.云服务部署

参考项目：基于PaddleNLP 3.0部署DeepSeek-R1进行本地访问

在Aistudio开启一个flask服务，即可在V100上部署R1，并在本地访问，将DeepSeek嵌入到各个子模块中了。

快速部署

本项目提供了sever.py文件，可以快速部署。

请务必按顺序执行前两个小节。

1.点击左上角的应用更新发布 

2.选择独占机器，选择下一步

3.选择部署新服务，选择下一步

4.填入启动参数之后

1.服务启动命令: python server.py2.部署包目录: 不要修改3.监听端口: 不要修改4.选择环境: 至尊版GPU5.访问等级: 都可以;私有要鉴权, 公开大家都能用。

5.最后点击部署，等待一段时间（可能10分钟还要久），即可

调用模型

需要从项目界面的服务部署子页面，获取AI Studio的API_URL，记录下。

将下面代码中的API_URL替换为你的API_URL，调整input_text即可执行。

与前面若干种方法不同的是，这种方法不支持OpenAI库，也不支持与大模型多轮对话，只能单向获得回复。

In [ ]

import requestsAPI_URL = "https://***************.aistudio-app.com" # AI Studio接口地址input_text = "《诗三百》收录了多少篇李白的诗歌？" # 输入文本# 请求头headers = {    "Content-Type": "application/json"}# 发送请求response = requests.post(API_URL, json={'input_text': input_text}, headers=headers, timeout=3600, verify=False)print(response.content.decode('utf-8'))

自定义服务端

服务端使用的模型是deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B，如果希望替换为其他模型，可以修改 server.py 第14行。

PaddleNLP 3.0 支持模型名称如下：

deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5Bdeepseek-ai/DeepSeek-R1-Distill-Qwen-7Bdeepseek-ai/DeepSeek-R1-Distill-Qwen-14B (A100 40G环境可以使用)deepseek-ai/DeepSeek-R1-Distill-Qwen-32B (A100 40G环境可以使用, wint8量化)deepseek-ai/DeepSeek-R1-Distill-Llama-8Bdeepseek-ai/DeepSeek-R1-Distill-Llama-70B (需4卡V100 32G环境)

如果你想丰富服务端的功能，可以修改 32行 到 41行。

In [ ]

@app.route('/', methods=['POST'])def home():    # 从POST请求中获取input_text    input_text = request.json.get('input_text', "")    print(f"input_text: {input_text}")    result = predictor.predict(input_text)[0]    # output = result.replace("n", "```n").replace("n", "```n")    print(f"result: {result}")     return result

以上就是【Tutorial】一文学会在AIStudio上部署Deepseek-R1的详细内容，更多请关注创想鸟其它相关文章！