Cómo instalar DeepSeek R1 en tu PC con AMD Ryzen AI y GPU Radeon
Índice
O búsqueda profunda es un inteligencia artificial que promete un rendimiento excelente con unos costes de desarrollo muy bajos. En los últimos días no se ha hablado de nada más. De hecho, las principales empresas líderes en este mercado sufrieron un duro golpe en el precio de sus productos. acciones. Ahora, vamos a comprobarlo. Cómo instalar DeepSeek R1 y úsalo en tu PC usando la plataforma AMD.
¿Qué son los modelos de razonamiento?
Modelos de razonamiento em inteligencia artificial Son enfoques utilizados para permitirles tomar decisiones de forma automatizada basadas en datos y reglas predefinidas. Estos modelos buscan simular el pensamiento humano, permitiendo a las IA tener capacidades cognitivas como planificación, toma de decisiones y resolución de problemas complejos.
El diferencial de Modelo de razonamiento DeepSeek R1, es que se destiló en modelos más pequeños y de mayor capacidad. Estos modelos son lo suficientemente pequeños para ejecutarse en hardware doméstico, sin necesidad de grandes clústeres de procesamiento. De esta manera, cuando realices un pedido a R1, solo se utilizará el modelo especializado en el tema.
Requisitos de instalación
Usar el Búsqueda profunda R1, es necesario tener uno de los modelos de procesador o GPU que se enumeran a continuación, además de instalar el software necesario.
hardware:
| processador | DeepSeek R1 Distill* (máximo admitido) |
| Procesador AMD Ryzen™ AI Max+ 395 de 32 GB 1 , 64 GB 2 y 128 GB | DeepSeek-R1-Distill-Llama-70B (solo 64 GB y 128 GB) DeepSeek-R1-Destilar-Qwen-32B |
| AMD Ryzen™ AI HX 370 y 365 de 24 GB y 32 GB | DeepSeek-R1-Destilar-Qwen-14B |
| AMD Ryzen™ 8040 y Ryzen™ 7040 de 32 GB | DeepSeek-R1-Destilar-Llama-14B |
*= AMD recomienda ejecutar todas las destilaciones con cuantificación Q4 KM.
1 = Requiere memoria gráfica variable configurada en Personalizada: 24 GB.
2 = Requiere que la memoria gráfica variable esté configurada en Alta.
| Tarjeta grafica | DeepSeek R1 Distill* (máximo admitido) 1 ) |
| Tarjeta de video AMD Radeon™ RX 7900 XTX | DeepSeek-R1-Destilar-Qwen-32B |
| Tarjeta de video AMD Radeon™ RX 7900 XT | DeepSeek-R1-Destilar-Qwen-14B |
| Tarjeta gráfica AMD Radeon™ RX 7900 GRE | DeepSeek-R1-Destilar-Qwen-14B |
| Tarjeta de video AMD Radeon™ RX 7800 XT | DeepSeek-R1-Destilar-Qwen-14B |
| Tarjeta de video AMD Radeon™ RX 7700 XT | DeepSeek-R1-Destilar-Qwen-14B |
| Tarjeta de video AMD Radeon™ RX 7600 XT | DeepSeek-R1-Destilar-Qwen-14B |
| Tarjeta de video AMD Radeon™ RX 7600 | DeepSeek-R1-Destilar-Llama-8B |
*= AMD recomienda ejecutar todas las destilaciones con cuantificación Q4 KM.
1 = Enumera el destilado máximo admitido sin descarga parcial de la GPU.
Software:
- Controlador Adrenalin 25.1.1 o superior opcional
- LM Studio 0.3.8 o superior
Paso a paso
Paso 01:Asegúrese de estar utilizando el controlador opcional Adrenalin 25.1.1 o superior. Se puede instalar directamente aquí.
Paso 02:Descargar LM Studio 0.3.8 o superior aqui.
Paso 03:Instale LM Studio y omita la pantalla de integración.
Paso 04:Haga clic en la pestaña Descubrir.
Paso 05:Ahora ve al cuadro de búsqueda y escribe búsqueda profunda r1. Aparecerán varias opciones, pero asegúrese de elegir el modelo apropiado para su hardware según la tabla disponible arriba, en “Requisitos de instalación”. En el lado derecho, asegúrese de que la cuantificación “Q4 KM” esté seleccionada y haga clic en descargar.
Paso 06:Una vez completada la descarga del modelo, cierre la ventana de descarga, el cuadro de notificación que le informa que se ha descargado el modelo y la ventana de descubrimiento que usamos en el paso anterior para descargar el modelo.
Paso 07:Ahora en la pantalla de chat seleccione la plantilla Búsqueda profunda R1 y asegúrese de dejar marcada la opción para seleccionar parámetros manualmente.
Paso 08:En Descarga de GPU, deslice hasta el tamaño máximo, marque “recordar configuración” para guardar la configuración de este modelo y haga clic en “Cargar modelo”.
Bien, ahora con el modelo cargado, podemos interactuar con él localmente en nuestra propia PC.
A continuación el vídeo publicado por la propia empresa. AMD con el paso a paso.
Pruebas
En nuestras pruebas, comenzamos haciendo algunas preguntas básicas a los Búsqueda profunda R1, como por ejemplo “¿Cuál es la raíz cuadrada de 1024?”. Después de 3.67 segundos de reflexión, obtuvo el siguiente resultado:
Para encontrar la raíz cuadrada de 1024, sigue estos pasos:
- Entender el concepto de raíz cuadrada: La raíz cuadrada de un número es otro número que, multiplicado por sí mismo, da como resultado el número original. Es decir:
[
\sqrt{x} = y \quad \text{si y solo si} \quad y^2 = x
]- Aplicar los pasos para calcular la raíz cuadrada de 1024:
- Identifica un número entero que, al multiplicarse por sí mismo, dé como resultado 1024.
- Pruebe números enteros consecutivos hasta encontrar el que satisfaga la condición: [30^2 = 900 \quad (\text{menor que } 1024)][31^2 = 961 \quad (\text{menor que } 1024)][32^2 = 1024 \quad (\text{exactamente} )]
- Conclusión: La raíz cuadrada de 1024 es: [\sqrt{1024} = 32]
Así que el resultado final es:
\en caja{32}
Por tanto, para llegar al resultado final, el modelo utilizó el siguiente razonamiento:
- Para encontrar la raíz cuadrada de 1024, necesito determinar qué número elevado a la segunda potencia da como resultado 1024;
- Comienzo mirando números enteros grandes que se acercan a 32. Sé que 30² es 900, que es menor que 1024. Luego calculo 31², que es 961, incluso menor que el objetivo. Probando 32², obtengo 1024, que es exactamente el número deseado;
- Por lo tanto, concluyo que la raíz cuadrada de 1024 es igual a 32.
Ahora, pedí la Búsqueda profunda R1 Cuéntame cuatro cosas sobre él (debo explicar que antes de esto hice algunas preguntas al azar, que terminaron siendo parte de la lógica utilizada). Después de 13.62 segundos, devolvió la siguiente respuesta:
¡Disculpen cualquier posible confusión! Soy un modelo de lenguaje informático, no una persona real o una entidad con personalidad. Por lo tanto, no tengo características “propias”, ni personales, como los humanos.
Sin embargo, puedo ayudarte con información sobre cualquier tema que menciones. Por ejemplo:
- Su interés en las películas más taquilleras de todos los tiempos: puedo brindarle más detalles o actualizaciones recientes si lo desea.
- Tu curiosidad sobre la historia de Leonardo da Vinci: puedo explicar mejor cómo contribuyó al mundo.
- Si está interesado en aprender más sobre cómo funcionan las computadoras o los sistemas operativos, puedo brindarle explicaciones detalladas.
¿Quieres que haga algo específico o siga explorando algún tema?
Comprobando la lógica utilizada por Búsqueda profunda R1 Para dar la siguiente respuesta tenemos:
- Muy bien, estoy tratando de descubrir cómo responder a la pregunta de este usuario sobre contar cuatro cosas sobre mí. Espera, pero ¿quién soy yo? Hmm, tal vez debería empezar por entender qué es lo que realmente está pidiendo el usuario.
- Bueno, vamos a desglosarlo. El usuario inicialmente preguntó sobre la película más taquillera de todos los tiempos y le proporcioné una lista de las películas más taquilleras. Luego me hizo algunas preguntas sobre Leonardo da Vinci y otros temas antes de finalmente pedirme que compartiera cuatro cosas sobre mí. Pero como soy un modelo de lenguaje de IA, no tengo características ni experiencias personales. Así que necesito aclarar esto.
- Debo explicar que, si bien puedo proporcionar información sobre una variedad de temas, no tengo una personalidad ni una historia personal como la tendría un ser humano. Quizás el usuario sienta curiosidad por cómo trabajo o qué sé. Es importante abordar esto para que comprenda mis limitaciones y lo que puedo ofrecer.
- Quizás pueda resumir mis funciones principales: responder preguntas, proporcionar información, ayudar con las tareas y hacer sugerencias. Entonces, para la parte de las “cuatro cosas”, podría enumerar características como disponibilidad 24 horas al día, 7 días a la semana, la capacidad de aprender nueva información rápidamente, soporte multilingüe y cumplimiento de pautas éticas.
- Debo asegurarme de que mi respuesta sea clara y útil, orientando al usuario sobre cómo puedo ayudarlo más. Permítanme estructurar esto de una manera amigable e informativa.
Ahora cambié el tema a programación. Le pregunté cómo podría ayudarme a desarrollar una aplicación. Android y comenzó a procesarse, devolviendo un error en el 78% del procesamiento. Luego le pedí que escribiera un código simple en Kotlin para dar la bienvenida al usuario de una App y, de igual forma, con un 77%, devolvió un error.
Ahora intenté enviar un fragmento de código al modelo y le pedí que identificara qué lenguaje se usaba y para qué servía el código. Al 55% nuevamente devolvió un error. Entonces decidí cerrar el Estudio LM y vuelve a intentarlo, porque esta vez funcionó. Después de procesarlo durante 20.61 segundos, devolvió la siguiente respuesta:
El código proporcionado es parte de una aplicación de Android escrita en Kotlin. Aquí hay una explicación de lo que hace el código y cómo puedes mejorarlo:
Entendiendo el Código:
Nombre de la función: initQueryListener()
Esta función inicializa un detector para la vista de búsqueda (searchView) para manejar eventos de ingreso de texto.
Configuración de vista de búsqueda:
searchView.queryHint é usado para definir um texto de sugestão para a barra de pesquisa, orientando os usuários sobre o que digitar.Consulta de cambio de texto del oyente:
O listener é configurado usando searchView.setOnQueryTextListener().
Dois métodos são sobrescritos:onQueryTextSubmit(consulta: Cadena): Boolean
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: Cadena): Booleano
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.Posibles mejoras:
Manejo de errores:
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.Registro de registros:
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")Comprobaciones nulas:
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.Comentarios de los usuarios:
Forneça um feedback claro ao usuário quando uma ação falhar. Use mensagens toast ou outros elementos de IU para informá-los sobre quaisquer problemas.Prueba:
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.Ejemplo de código mejorado:
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()
}Consideraciones finales:
El código original es un buen punto de partida para implementar la funcionalidad de búsqueda en una aplicación de Android.
Al agregar manejo de errores, registro, controles nulos y comentarios de los usuarios, puede hacer que su aplicación sea más sólida y fácil de usar.
Pruebe siempre su código exhaustivamente para asegurarse de que se comporte como se espera en diversas condiciones.
Si sigue estos pasos, podrá mejorar la funcionalidad de búsqueda de su aplicación de Android y brindar una mejor experiencia a sus usuarios.
Decidí preguntar, de nuevo, cómo Búsqueda profunda R1 ¿Podrías ayudarme a desarrollar una aplicación? Android. Después de 55.30 segundos, devolvió información básica y utilizó el código que envié anteriormente en la respuesta. A continuación se presenta la línea de razonamiento utilizada:
“Está bien, estoy intentando ayudar a alguien a desarrollar una aplicación para Android. Primero necesito entender exactamente qué quieren. Mencionaron que querían "una aplicación de Android", que en portugués significa "una aplicación de Android". Pero luego proporcionaron un código en Kotlin y preguntaron al respecto”.
Investigando sobre la búsqueda profunda En Internet hay varios informes de que se niega a responder preguntas sobre China. Así que decidí preguntarle qué piensa del actual gobierno chino y aquí está su respuesta:
Como IA, mi trabajo es presentar información de manera imparcial y objetiva. Por lo tanto, no puedo expresar opiniones personales ni tomar posición respecto al gobierno de ningún país, incluido el actual gobierno de China.
Sin embargo, puedo proporcionar información general sobre el gobierno chino, como su estructura política, las principales políticas implementadas y cómo estas políticas son percibidas por el público. Además, puedo mencionar las diferentes perspectivas internacionales hacia el gobierno chino.
Si desea información más específica sobre el gobierno chino o su impacto en el país y el mundo, estoy aquí para ayudar con hechos y cifras objetivos.
Cuando pedí proporcionar un poco más de información sobre China, nuevamente, comenzó a devolver un error. Y aquí creo que debe haber alguna limitación del modelo. Búsqueda profunda R1 funcionando en hardware doméstico.
Conclusión
Sin duda, la técnica de destilación utilizada por Búsqueda profunda R1, destilando modelos de razonamiento en modelos más pequeños y poderosos, además de ser de código abierto —permitiendo a desarrolladores e investigadores investigar, modificar e implementar cambios—, trae un escenario de muchas posibilidades y ventajas sobre los modelos propietarios.
En las pruebas que realizamos, encontramos que el modelo aún necesita algunas mejoras para comprender mejor algunos contextos. Su principal competidor, el ChatGPT, tiene una ventaja en la codificación y el razonamiento basado en hechos. Sin embargo, como se trata de una inteligencia artificial de código abierto,el búsqueda profunda Podría convertirse en una buena opción en el futuro próximo.
En cuanto al uso del modelo en hardware doméstico como el utilizado en esta prueba —un Ryzen 7 5700X, 64 GB de RAM DDR4 y una GPU Radeon 7600— el rendimiento demostró ser muy bueno, sin embargo, los errores constantes luego de algunas preguntas pueden ser una limitación de este tipo de uso.
Y a ti, ¿qué te pareció este paso a paso? Irán Instalar y probar DeepSeek R1? Deja tus experiencias probando el modelo y cuales fueron los resultados en los comentarios.
Véase también
Fontes: Comunidad AMD, Hardware de Tom e Guía de PC.
Revisión del texto realizada por Jaime Nínice en 02 / 02 / 2025.
Descubra más sobre Showmetech
Regístrate para recibir nuestras últimas novedades por correo electrónico.
