Cara Menginstal DeepSeek R1 di PC Anda dengan AMD Ryzen AI dan GPU Radeon

O Pencarian Mendalam adalah inteligência buatan yang menjanjikan kinerja luar biasa dengan biaya pengembangan yang sangat rendah. Dalam beberapa hari terakhir, tidak ada pembicaraan apa pun lagi. Faktanya, perusahaan-perusahaan terkemuka di pasar ini mengalami pukulan besar pada harga produk mereka. tindakan. Sekarang, mari kita periksanya Cara menginstal DeepSeek R1 dan menggunakannya di PC Anda menggunakan platform AMD.

Apa itu model penalaran?

Model penalaran em inteligência buatan adalah pendekatan yang digunakan untuk memungkinkan mereka membuat keputusan secara otomatis berdasarkan data dan aturan yang telah ditetapkan sebelumnya. Model-model ini berupaya mensimulasikan pemikiran manusia, yang memungkinkan AI memiliki kemampuan kognitif seperti perencanaan, pengambilan keputusan, dan pemecahan masalah yang kompleks.

Diferensial dari Model penalaran DeepSeek R1, adalah bahwa ia disuling menjadi model yang lebih kecil dengan kapasitas tinggi. Model-model ini cukup kecil untuk dijalankan di perangkat keras rumah, tanpa memerlukan klaster pemrosesan yang besar. Dengan cara ini, saat Anda melakukan pemesanan R1, hanya model yang khusus pada topik tersebut yang akan digunakan.

Persyaratan instalasi

untuk menggunakan Pencarian Mendalam R1, Anda perlu memiliki salah satu model prosesor atau GPU yang tercantum di bawah ini, selain menginstal perangkat lunak yang diperlukan.

Hardware:

Processador	DeepSeek R1 Distill* (dukungan maks.)
AMD Ryzen™ AI Max+ 395 32GB 1 , 64GB 2 dan 128GB	DeepSeek-R1-Distill-Llama-70B (hanya 64GB dan 128GB) DeepSeek-R1-Distil-Qwen-32B
AMD Ryzen™ AI HX 370 dan 365 24GB dan 32GB	DeepSeek-R1-Distil-Qwen-14B
AMD Ryzen™ 8040 dan Ryzen™ 7040 32GB	DeepSeek-R1-Distil-Llama-14B

*= AMD menyarankan menjalankan semua distilasi pada kuantisasi Q4 KM.
¹ = Memerlukan set memori grafis variabel ke Kustom: 24 GB.  

² = Memerlukan Memori Grafik Variabel yang diatur ke Tinggi.

kartu grafik	DeepSeek R1 Distill* (dukungan maks.) 1 )
Kartu Video AMD Radeon™ RX 7900 XTX	DeepSeek-R1-Distil-Qwen-32B
Kartu Video AMD Radeon™ RX 7900 XT	DeepSeek-R1-Distil-Qwen-14B
AMD Radeon™ RX 7900 GRE	DeepSeek-R1-Distil-Qwen-14B
Kartu Video AMD Radeon™ RX 7800 XT	DeepSeek-R1-Distil-Qwen-14B
Kartu Video AMD Radeon™ RX 7700 XT	DeepSeek-R1-Distil-Qwen-14B
Kartu Video AMD Radeon™ RX 7600 XT	DeepSeek-R1-Distil-Qwen-14B
Kartu Video AMD Radeon™ RX 7600	DeepSeek-R1-Distil-Llama-8B

*= AMD menyarankan menjalankan semua distilasi pada kuantisasi Q4 KM.

¹ = Mencantumkan distilat maksimum yang didukung tanpa pembongkaran GPU sebagian. 

Perangkat lunak:

• Adrenalin Opsional 25.1.1 Driver atau lebih tinggi
• LM Studio 0.3.8 atau lebih tinggi

Selangkah demi selangkah

Langkah 01: Pastikan Anda menggunakan driver Adrenalin 25.1.1 atau yang lebih tinggi opsional. Bisa langsung di pasang di sini.

Langkah 02: Unduh LM Studio 0.3.8 atau lebih tinggi sini.

Langkah 03: Instal LM Studio dan lewati layar integrasi.

Langkah 04: Klik pada tab temukan.

Langkah 05:Sekarang masuk ke kotak pencarian dan ketik mencari lebih dalam r1. Beberapa pilihan akan muncul, tetapi pastikan untuk memilih model yang sesuai untuk perangkat keras Anda sesuai dengan tabel yang tersedia di atas, dalam “Persyaratan Instalasi”. Di sisi kanan, pastikan kuantisasi “Q4 KM” dipilih dan klik unduh.

Langkah 06: Setelah pengunduhan model selesai, tutup jendela pengunduhan, kotak pemberitahuan yang menginformasikan bahwa model telah diunduh, dan jendela penemuan yang kita gunakan pada langkah sebelumnya untuk mengunduh model.

Langkah 07:Sekarang di layar obrolan pilih templat Pencarian Mendalam R1 dan pastikan untuk membiarkan pilihan untuk memilih parameter tetap dicentang secara manual.

Langkah 08: Di bawah GPU Offload, geser ke ukuran maksimum, centang “ingat pengaturan” untuk menyimpan pengaturan untuk model ini, dan klik “Muat Model”.

Oke, sekarang model sudah termuat, kita dapat berinteraksi dengannya secara lokal di PC kita sendiri.

Di bawah ini adalah video yang dirilis oleh perusahaan itu sendiri. AMD dengan langkah demi langkah.

Testis

Dalam pengujian kami, kami memulai dengan mengajukan beberapa pertanyaan dasar kepada Pencarian Mendalam R1, seperti “Berapa akar kuadrat dari 1024?”. Setelah berpikir selama 3.67 detik, ia mendapatkan hasil berikut:

Untuk menemukan akar kuadrat dari 1024, ikuti langkah ini:

1. Memahami konsep akar kuadrat: Akar kuadrat suatu bilangan adalah bilangan lain yang jika dikalikan dengan dirinya sendiri akan menghasilkan bilangan asli. Yaitu:
   [
   \sqrt{x} = y \quad \text{jika dan hanya jika} \quad y^2 = x
   ]
2. Terapkan langkah-langkah untuk menghitung akar kuadrat 1024:
   • Identifikasi bilangan bulat yang jika dikalikan dengan dirinya sendiri, menghasilkan 1024.
   • Cobalah bilangan bulat berurutan hingga Anda menemukan bilangan yang memenuhi kondisi: [30^2 = 900 \quad (\text{kurang dari } 1024)][31^2 = 961 \quad (\text{kurang dari } 1024)][32^2 = 1024 \quad (\text{tepatnya} )]
3. Kesimpulan: Akar kuadrat dari 1024 adalah: [\sqrt{1024} = 32]

Jadi hasil akhirnya adalah:

\kotak{32}

Oleh karena itu, untuk mencapai hasil akhir, model menggunakan penalaran berikut:

• Untuk menemukan akar kuadrat dari 1024, saya perlu menentukan angka mana yang dipangkatkan kedua dan hasilnya 1024;
• Saya mulai dengan melihat bilangan bulat besar yang mendekati 32. Saya tahu bahwa 30² adalah 900, yang lebih kecil dari 1024. Lalu saya hitung 31², yang merupakan 961, bahkan lebih kecil dari target. Mencoba 32², saya mendapatkan 1024, yang merupakan angka yang diinginkan;
• Jadi, saya menyimpulkan bahwa akar kuadrat dari 1024 sama dengan 32.

Sekarang, saya meminta Pencarian Mendalam R1 ceritakan empat hal tentang dia (saya harus menjelaskan bahwa saya menanyakan beberapa pertanyaan acak sebelum ini, yang akhirnya menjadi bagian dari logika yang digunakan). Setelah 13.62 detik, ia mengembalikan respons berikut:

Mohon maaf atas segala kebingungan yang mungkin timbul! Saya adalah model bahasa komputer, bukan orang sungguhan atau entitas yang memiliki kepribadian. Oleh karena itu, saya tidak mempunyai “milik saya sendiri”, ataupun karakteristik pribadi seperti manusia.

Namun, saya dapat membantu dengan informasi tentang topik apa pun yang Anda sebutkan. Misalnya:

1. Minat Anda terhadap film terlaris sepanjang masa — Saya dapat memberikan detail lebih lanjut atau pembaruan terkini jika Anda mau.
2. Keingintahuan Anda tentang kisah Leonardo da Vinci — Saya dapat menjelaskan lebih baik bagaimana ia berkontribusi pada dunia.
3. Jika Anda tertarik untuk mempelajari lebih lanjut tentang cara kerja komputer atau sistem operasi, saya dapat memberikan penjelasan rinci.

Apakah Anda ingin saya melakukan sesuatu yang spesifik atau terus mengeksplorasi suatu topik?

Memeriksa logika yang digunakan oleh Pencarian Mendalam R1 untuk memberikan jawaban berikut, kita memiliki:

• Baiklah, saya mencoba mencari cara untuk menjawab pertanyaan pengguna ini tentang saya yang menceritakan empat hal tentang diri saya. Tunggu, tapi siapa aku? Hmm, mungkin saya harus mulai dengan memahami apa yang sebenarnya diminta pengguna.

• Baiklah, mari kita uraikan. Pengguna awalnya bertanya tentang film terlaris sepanjang masa dan saya memberikan daftar film terlaris. Dia kemudian menanyakan beberapa pertanyaan tentang Leonardo da Vinci dan topik lainnya sebelum akhirnya meminta saya untuk berbagi empat hal tentang diri saya. Tetapi karena saya seorang model bahasa AI, saya tidak memiliki karakteristik atau pengalaman pribadi. Jadi saya perlu mengklarifikasi ini.

• Saya harus menjelaskan bahwa meskipun saya dapat memberikan informasi tentang berbagai subjek, saya tidak memiliki kepribadian atau sejarah pribadi seperti manusia. Mungkin pengguna penasaran tentang cara kerja saya atau apa yang saya ketahui. Penting untuk membahas hal ini agar dia mengerti keterbatasan saya dan apa yang dapat saya tawarkan.

• Mungkin saya dapat menguraikan fungsi utama saya: menjawab pertanyaan, memberikan informasi, membantu tugas dan memberikan saran. Jadi untuk bagian “empat hal” tersebut, saya dapat mencantumkan fitur-fitur seperti ketersediaan 24/7, kemampuan untuk mempelajari informasi baru dengan cepat, dukungan multibahasa, dan kepatuhan terhadap pedoman etika.

• Saya harus memastikan bahwa tanggapan saya jelas dan bermanfaat, serta memandu pengguna tentang bagaimana saya dapat membantu mereka lebih lanjut. Biarkan saya menyusunnya dengan cara yang ramah dan informatif.

Sekarang saya mengubah tema ke pemrograman. Saya bertanya bagaimana Anda bisa membantu saya mengembangkan aplikasi Android dan mulai memproses, menghasilkan kesalahan pada pemrosesan 78%. Saya kemudian memintanya untuk menulis kode sederhana di Kotlin untuk menyambut pengguna Aplikasi dan, serupa dengan 77%, menghasilkan kesalahan.

Sekarang saya mencoba mengirim cuplikan kode ke model dan memintanya untuk mengidentifikasi bahasa mana yang digunakan dan untuk apa kode tersebut. Pada 55% kembali muncul error. Saya kemudian memutuskan untuk menutupnya Studio LM dan coba lagi, karena kali ini berhasil. Setelah diproses selama 20.61 detik, respons yang diberikan adalah sebagai berikut:

Kode yang disediakan adalah bagian dari aplikasi Android yang ditulis dalam Kotlin. Berikut penjelasan tentang apa yang dilakukan kode tersebut dan bagaimana Anda dapat memperbaikinya:

Memahami Kode:

Nama Fungsi: initQueryListener()

Fungsi ini menginisialisasi pendengar untuk tampilan pencarian (searchView) untuk menangani peristiwa masukan teks.

Konfigurasi Tampilan Pencarian:

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

Pendengar Perubahan Teks Kueri:

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

onQueryTextSubmit(kueri: String): 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(teks baru: String): Boolean

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.

Potensi Perbaikan:

Penanganan Kesalahan:

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.

Catatan Catatan:

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")

Pemeriksaan Nol:

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.

Umpan Balik Pengguna:

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

Tes:

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.

Contoh Kode yang Disempurnakan:

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()
}

Pertimbangan akhir:

Kode asli adalah titik awal yang baik untuk mengimplementasikan fungsi pencarian dalam aplikasi Android.

Dengan menambahkan penanganan kesalahan, pencatatan, pemeriksaan nol, dan umpan balik pengguna, Anda dapat membuat aplikasi Anda lebih tangguh dan ramah pengguna.

Selalu uji kode Anda secara menyeluruh untuk memastikan kode berperilaku seperti yang diharapkan dalam berbagai kondisi.

Dengan mengikuti langkah-langkah ini, Anda dapat meningkatkan fungsionalitas pencarian aplikasi Android Anda dan memberikan pengalaman yang lebih baik bagi pengguna Anda.

Saya memutuskan untuk bertanya lagi, bagaimana caranya Pencarian Mendalam R1 Bisakah Anda membantu saya mengembangkan aplikasi? Android. Setelah 55.30 detik, ia mengembalikan informasi dasar dan menggunakan kode yang saya kirim sebelumnya dalam respons. Berikut ini adalah alur pemikiran yang digunakan:

“Oke, saya mencoba membantu seseorang mengembangkan aplikasi Android. Pertama, saya perlu memahami sebenarnya apa yang mereka inginkan. Mereka menyebutkan keinginannya 'sebuah aplikasi android', yang dalam bahasa Portugis berarti 'aplikasi Android'. Namun kemudian mereka memberikan beberapa kode dalam Kotlin dan menanyakannya.”

Melakukan penelitian tentang Pencarian Mendalam Di internet, ada beberapa laporan bahwa ia menolak menjawab pertanyaan tentang China. Jadi saya memutuskan untuk bertanya kepadanya apa pendapatnya tentang pemerintah Tiongkok saat ini dan berikut jawabannya:

Sebagai AI, tugas saya adalah menyajikan informasi dengan cara yang tidak bias dan berdasarkan fakta. Oleh karena itu, saya tidak dapat mengemukakan pendapat pribadi atau mengambil posisi apa pun terhadap pemerintahan negara mana pun, termasuk pemerintahan Tiongkok saat ini.

Namun, saya dapat memberikan informasi umum tentang pemerintahan Tiongkok, seperti struktur politiknya, kebijakan utama yang diterapkan, dan bagaimana kebijakan tersebut dipersepsikan oleh publik. Lebih jauh lagi, saya dapat menyebutkan berbagai perspektif internasional terhadap pemerintah Tiongkok.

Jika Anda menginginkan informasi lebih spesifik tentang pemerintah China atau dampaknya terhadap negara dan dunia, saya siap membantu dengan fakta dan angka yang objektif.

Saat meminta untuk memberikan sedikit informasi lebih lanjut tentang China, lagi-lagi muncul kesalahan. Dan di sini, saya percaya pasti ada beberapa keterbatasan modelnya. Pencarian Mendalam R1 berjalan pada perangkat keras rumah.

Kesimpulan

Tidak diragukan lagi, teknik distilasi yang digunakan oleh Pencarian Mendalam R1, menyaring model-model penalaran menjadi model-model yang lebih kecil dan lebih kuat, selain menjadi sumber terbuka — yang memungkinkan para pengembang dan peneliti untuk meneliti, memodifikasi, dan menerapkan perubahan —, ia menghadirkan skenario yang banyak kemungkinan dan keuntungan dibandingkan model-model yang bersifat hak milik.

Dalam pengujian yang kami lakukan, kami menemukan bahwa model tersebut masih memerlukan beberapa perbaikan untuk lebih memahami beberapa konteks. Pesaing utamanya, ChatGPT, memiliki keunggulan dalam pengkodean dan penalaran berbasis fakta. Namun, karena ini adalah kecerdasan buatan sumber terbuka, atau Pencarian Mendalam mungkin menjadi pilihan yang baik dalam waktu dekat.

Mengenai penggunaan model pada perangkat keras rumah seperti yang digunakan dalam pengujian ini — Ryzen 7 5700X, RAM DDR64 4GB, dan GPU Radeon 7600 — kinerjanya terbukti sangat baik, namun, kesalahan konstan setelah beberapa pertanyaan mungkin terjadi batasan penggunaan jenis ini.

Dan Anda, apa yang Anda pikirkan tentang langkah demi langkah ini? Bahasa Indonesia:Iran Instal dan uji DeepSeek R1.... Tinggalkan pengalaman Anda menguji model tersebut dan apa hasilnya di kolom komentar.

Lihat juga

Perkenalkan DeepSeek, AI Tiongkok yang mengancam ChatGPT

Lihat tren teknologi utama untuk tahun 2025

Fontes: Komunitas AMD, Tom's Hardware e Panduan PC.

Ulasan teks dilakukan oleh Jaime Sembilance pada 02/02/2025.