DeepSeek R1 на VPS: установка и запуск модели с рассуждениями

MAATRIX

DeepSeek R1 — одна из первых массово доступных моделей, которая показывает не только ответ, но и ход рассуждений перед ним: видно, как модель раскладывает задачу на шаги, проверяет саму себя и приходит к выводу. На VPS это работает не хуже, чем в облачном API, если правильно подобрать версию модели под доступную память — полная модель для домашнего или арендованного сервера нереальна, а вот дистилляты вполне подъёмны. Разберём, как всё это поставить через Ollama и чего ждать от результата.

Что такое DeepSeek R1 и зачем ему видимые рассуждения

Обычная LLM генерирует ответ сразу, как бы «с ходу» — даже если внутри модели происходит что-то похожее на промежуточные вычисления, наружу это не выводится. DeepSeek R1 устроена иначе: перед финальным ответом она печатает блок рассуждений (reasoning trace, часто оформленный тегами вроде <think>...</think>) — по сути, черновик мышления вслух. Модель формулирует гипотезу, проверяет её, иногда отбрасывает и пробует другой подход, и только потом выдаёт итоговый ответ.

Практическая польза в двух вещах:

• Качество на задачах, где важна пошаговая логика. Модель реже «срезает угол» и выдаёт правдоподобный, но неверный ответ, потому что явно проговаривает промежуточные шаги.
• Прозрачность. Вы видите, почему модель пришла к такому выводу, а не только сам вывод — это полезно для отладки промптов и для задач, где ошибка дорого стоит (код, расчёты, сложная логика).

Плата за это — скорость и длина ответа: рассуждения тоже генерируются токен за токеном, и на итоговый ответ уходит заметно больше времени и вычислений, чем у обычной модели того же размера.

Дистилляты DeepSeek R1: как выбрать версию под ресурсы VPS

Оригинальная DeepSeek R1 — модель с сотнями миллиардов параметров, для которой нужен кластер GPU с солидным объёмом видеопамяти. На обычном VPS её не запустить в принципе. Поэтому для практического использования применяют дистиллированные версии — модели меньшего размера (обычно на базе архитектур Qwen или Llama), которые обучены имитировать стиль рассуждений R1, но при этом требуют на порядки меньше ресурсов.

Разработчик публикует несколько размеров дистиллятов — от совсем компактных (полтора-несколько миллиардов параметров) до сравнительно крупных (десятки миллиардов). Чем крупнее дистиллят, тем ближе качество рассуждений к оригиналу, но тем больше нужно оперативной памяти и тем медленнее генерация на CPU.

Здесь важная честная оговорка: точные названия тегов и список доступных размеров меняются — Ollama регулярно обновляет карточки моделей, добавляет новые варианты квантования, иногда переименовывает теги. Поэтому вместо того чтобы называть конкретные версии и обещать точные цифры по памяти, ориентируйтесь на актуальный список прямо перед установкой:

# посмотреть доступные теги и их размеры в браузере
https://ollama.com/library/deepseek-r1

# или прямо с сервера через API каталога
curl -s https://ollama.com/library/deepseek-r1/tags

Общее практическое правило при выборе — ориентировочно на каждый миллиард параметров дистиллята в исходном (не квантованном) виде закладывайте около 1.5–2 ГБ ОЗУ на инференс на CPU, плюс запас под систему и контекст. Если сомневаетесь — начните с самого маленького варианта из списка, убедитесь, что всё работает, и поднимайтесь по размеру, пока хватает памяти и устраивает скорость. Как выбрать модель под конкретный объём памяти в общем виде, подробно разобрано в статье про подбор модели Ollama под 8 ГБ RAM — логика применима и к дистиллятам R1.

Установка Ollama на VPS

Ollama — самый простой способ запустить DeepSeek R1 без ручной сборки инференс-движка. Ставится одной командой на большинстве дистрибутивов Linux:

curl -fsSL https://ollama.com/install.sh | sh

Скрипт сам определит архитектуру, поставит бинарник и зарегистрирует systemd-сервис. Проверьте, что служба поднялась:

systemctl status ollama

По умолчанию Ollama слушает 127.0.0.1:11434 — только локальные подключения. Если планируете обращаться к API с другой машины (например, у себя из приложения), нужно явно разрешить внешний интерфейс и обязательно закрыть порт файрволом от посторонних:

sudo systemctl edit ollama

В открывшемся файле добавьте:

[Service]
Environment="OLLAMA_HOST=0.0.0.0:11434"

Сохраните, перезапустите службу и не забудьте ограничить доступ к порту 11434 на уровне файрвола (ufw/iptables) — по умолчанию порт открыт всем, и без пароля это прямой доступ к вашей модели и API. Отдельно про то, как закрыть локальную LLM от посторонних, — в статье про защиту локальной LLM.

sudo systemctl daemon-reload
sudo systemctl restart ollama

Запуск DeepSeek R1

Когда служба работает, скачивание и запуск модели — одна команда. Формат — ollama run deepseek-r1 с опциональным суффиксом размера через двоеточие (актуальные суффиксы смотрите в каталоге, как описано выше):

ollama run deepseek-r1:7b

При первом запуске Ollama скачает веса модели (это может занять от нескольких минут до пары часов в зависимости от размера модели и скорости канала VPS) и сразу откроет интерактивный чат в терминале. Дальше можно просто писать запрос:

>>> Реши: у поезда путь 360 км, скорость на 20 км/ч больше, чем планировали, поэтому он прибыл на час раньше расчётного времени. Найди исходную скорость.

Модель сначала выведет блок рассуждений — развёрнутую выкладку с уравнением и проверкой, — а затем короткий итоговый ответ. Для работы через API, а не интерактивный чат, используется тот же REST-эндпоинт, что и у любой модели в Ollama:

curl http://127.0.0.1:11434/api/generate -d '{
  "model": "deepseek-r1:7b",
  "prompt": "Объясни разницу между процессом и потоком в ОС",
  "stream": false
}'

В ответе будет поле с полным текстом, включающим и блок рассуждений, и финальный ответ — их разбор на уровне приложения нужно делать самостоятельно (см. ниже).

Как обрабатывать блок рассуждений в ответе

Рассуждения DeepSeek R1 обычно обёрнуты в теги <think>...</think> прямо в теле ответа. Это значит, что если вы используете модель не в терминале, а из своего приложения или бота, вам нужно решить, что делать с этим блоком:

• Показывать пользователю целиком — полезно для обучающих и отладочных сценариев, когда важна прозрачность вывода.
• Скрывать и показывать только финальный ответ — обычный выбор для продуктового чат-бота, где рассуждения только удлиняют ответ и не нужны конечному пользователю.
• Логировать отдельно — сохранять reasoning-блок в лог для последующего анализа качества промптов, а пользователю отдавать только чистый ответ.

Простейший способ отделить одно от другого — регулярным выражением вырезать содержимое между тегами <think> и </think> перед показом пользователю. Если вы уже собираете свой чат-интерфейс поверх Ollama, логика показа и скрытия рассуждений добавляется в тот же слой, где обрабатывается остальной вывод модели.

Учтите, что рассуждения — это тоже генерируемые токены, которые считаются в общий объём вывода. Если вы тарифицируете или ограничиваете длину ответа по числу токенов, блок <think> нужно учитывать отдельно, иначе лимит будет исчерпываться раньше, чем дойдёт до содержательного ответа.

Для каких задач R1 действительно даёт выигрыш — и какова цена

Явные рассуждения помогают не везде одинаково. По опыту и по общей логике устройства модели, разница заметнее всего на задачах, где ответ строится из цепочки логических шагов и легко проверяется на противоречия:

• Математика и расчёты — модель раскладывает задачу на уравнения и промежуточные вычисления, что снижает число арифметических и логических ошибок по сравнению с обычной моделью того же размера.
• Логические головоломки и многошаговые рассуждения — там, где нужно удержать несколько условий одновременно и не потерять ни одно из них.
• Код — разбор алгоритма на шаги перед написанием реализации, поиск краевых случаев, объяснение почему код должен работать именно так.

На простых задачах — короткий ответ на фактический вопрос, генерация текста, суммаризация — reasoning-блок скорее мешает: ответ приходит заметно дольше, а прироста в качестве почти нет, потому что рассуждать там особо не над чем. Здесь выгоднее обычная (не reasoning) модель сопоставимого размера — она отвечает быстрее при похожем качестве.

Главная плата за рассуждения — время и вычисления. Ответ занимает в разы больше токенов (сначала рассуждения, потом сам ответ), а значит, генерация на том же железе идёт заметно дольше, чем у обычной модели. Насколько именно дольше — зависит от конкретной задачи, длины рассуждений и вашего сервера, поэтому точных цифр здесь давать не будем: попробуйте на своей нагрузке и ориентируйтесь по факту. Если скорость генерации токенов кажется низкой, общие причины и способы ускорения разобраны в статье про медленную генерацию токенов в Ollama.

Частые вопросы