近期科技圈對Deepseek R1的熱度持續升溫。這款AI模型是否真的如傳聞中那般神奇？讓我通過Raspberry Pi實測帶您一探究竟。

自DeepSeek AI發布以來，科技媒體圈就掀起了一場風暴。這款模型不斷打破性能基準測試記錄，儼然已成為AI創新領域的標桿。

DeepSeek與OpenAI基準對比 | 來源：Brian Roemmele

最近我在X平臺偶然看到有人聲稱在Raspberry Pi上以200 token/秒的速度運行Deepseek。

這讓我瞬間懷疑人生："什么鬼？！"

仔細研究整個討論串后發現，該用戶是通過在Raspberry Pi上疊加AI加速模塊才達成的成績。但好奇心驅使我決定挑戰極限：在沒有額外硬件的情況下，用原生Raspberry Pi 5（8GB版）測試Deepseek的真實性能。

因此，為了這篇文章，我在我的Raspberry Pi 5（8GB內存型號）上安裝了Ollama，并下載了具有不同參數（即15B、70B、80B和140B參數）的Deepseek模型。

Ollama：

https://ollama.com/

Deepseek模型：

https://ollama.com/library/deepseek-r1

以下是每個模型的性能表現：

Deepseek 1.5B

這個模型反應迅速。它出乎意料地靈敏，能夠輕松處理改寫任務。我沒有遇到任何幻覺（生成不符合邏輯或上下文的內容）問題，這使其成為日常任務（如摘要生成和文本生成）的理想選擇。

性能數據

為了進一步測試其能力，我提出了一個問題：Podman和Docker有什么區別？

模型給出了相當不錯的回答，清晰地闡述了這兩種容器化工具之間的區別。它強調了Podman是無守護進程的，而Docker依賴于守護進程，并涉及了無根操作等安全方面。

這個回答花了大約兩分鐘，以下是性能數據：

總時長：1m33.59302487s加載時長：44.322672ms提示評估次數：13個tokens提示評估時長：985ms提示評估速率：13.20個tokens/s評估次數：855個tokens評估時長：1m32.562s評估速率：9.24個tokens/s

Deepseek 7B

7B模型引入了一定程度的幻覺。我嘗試編寫一個創意提示，要求生成三首俳句，但它開始生成無盡的文本，甚至自己問自己問題！

雖然很有趣，但并不實用。為了基準測試的目的，我簡化了提示，如視頻所示。在性能方面，它更慢，但仍然可用。

性能數據

為了進一步測試，我問：Docker Compose和Docker Run有什么區別？回答是準確信息和不準確信息的混合體。

它正確地解釋了Docker Compose通過docker-compose.yml文件用于管理多容器應用程序，而Docker Run通常用于使用特定標志運行單個容器。

然而，它很快就開始自己問問題，比如“但是，對于一個單應用，比如單臺機器上的簡單Flask應用，Docker Run可能就足夠了？還是有其他命令或方法？”

以下是性能數據：

總時長：4m20.665430872s加載時長：39.565944ms提示評估次數：11個token(s)提示評估時長：3.256s提示評估速率：3.38個token/秒評估次數：517個token評估時長：4m17.368s評估速率：2.01個token/秒

Deepseek 8B

這是一個變數?？紤]到這些模型對資源的巨大需求，我沒想到8B模型能運行起來。令我驚訝的是，它竟然成功了！

性能與7B模型相當，既不快，也不是特別靈敏，但在沒有任何額外硬件的Raspberry Pi上運行一個8B模型，在我看來就是勝利。

性能數據

我通過提問“編寫一個HTML模板和CSS模板”來測試它。模型成功地在單個代碼塊中生成了一個功能性的HTML和CSS模板，并確保它們整齊地配對。

然而，在跳到解決方案之前，模型解釋了它的方法、它將要做什么以及還可以添加什么。

雖然這提供了信息，但對于一個直接的查詢來說，這感覺是不必要的。如果我更精確地構造提示，回答可能會更直接（即用戶錯誤）。

以下是性能數據：

總時長：6m53.350371838s加載時長：44.410437ms提示評估次數：13個 token(s)提示評估時長：4.99s提示評估速率：2.61個tokens/s評估次數：826個token評估時長：6m48.314s評估速率：2.02個tokens/s

Deepseek 14B？

不幸的是，這并沒有成功。14B模型需要超過10GB的內存，而我的8GB Raspberry Pi無法處理。在8B模型成功后，我充滿希望，但現實給了我一擊。

結論

DeepSeek在Raspberry Pi 5上的原始性能展示了單板計算機（SBC）在處理AI工作負載方面的巨大潛力。

1.5B模型是輕量級任務的實際選擇，而7B和8B模型則展示了Raspberry Pi處理更大工作負載的能力，盡管速度較慢。