ThinkInAI DeepSeek 相容性檢測，先確認跑得動再下載模型

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

想在自己電腦跑 DeepSeek R1 的人，最先撞上的問題都一樣：我的機器到底行不行。ThinkInAI 做的 DeepSeek 模型相容性檢測工具，把這件事變成三分鐘的滑桿操作：選作業系統、拉出記憶體容量，六張卡片直接告訴你哪個尺寸能跑、哪個被擋。它是免費網頁工具，不用註冊，我實際操作了三組配備，外加隔壁那台企業部署計算機跑了一輪 671B 的帳。判定背後的數字大多經得起對照：卡片上的模型大小，六個裡五個和 Ollama 官方標籤一致。

先講結論。這個工具值得放進書籤：公式攤在頁面上、門檻對得上官方資料，把判定邏輯攤開的程度勝過常見的一鍵偵測工具。但要把它的答案用對，有兩件事得先看懂。偵測器裡的六個 DeepSeek R1 模型全是蒸餾出來的學生版，真正的 671B 原版只存在企業計算機裡；而計算機開出的採購建議，沒有套用它自己文字建議的兩成預留，照單全收會買在緊繃邊緣。

滑桿拉三下，判定就出爐

介面只有兩類輸入：作業系統四選一（Windows、Linux、Apple 晶片 Mac、Intel 晶片 Mac），加上記憶體滑桿。系統記憶體的檔位是 8、16、32、64、128GB。選 Apple 晶片 Mac 時只問系統記憶體，因為統一記憶體架構下，系統記憶體就是顯示卡能動用的量，頁面也會標註這一點；選 Windows、Linux 或 Intel Mac 才會多一條 VRAM 滑桿，檔位從 0 到 64GB，Intel Mac 還會提醒需要獨立顯示卡才有 GPU 加速。

有個小限制先知道：滑桿只能停在檔位上。系統記憶體是 8、16、32、64、128GB 五檔，VRAM 是 0 到 64GB 的幾個整數檔，12GB 記憶體或 6GB VRAM 這種真實存在的規格只能就近選，判定從嚴或從寬一級，介意的人拿表格門檻自己心算反而準。

我用三組配備各跑一輪。最貼近一般人的是 Apple 晶片 Mac 配 16GB：1.5B、7B、8B、14B 四張卡片亮綠燈，32B 與 70B 被擋下。值得停下來看的是 14B 那張卡，工具開出的門檻正好寫 16GB 統一記憶體，這台機器是踩著及格線過關，談不上舒適。工具自己的說明文字建議記憶體要有 VRAM 需求的一點五倍，照這個係數，16GB 的 Mac 想舒服跑 14B，其實差了半個檔位。

另一輪用預設狀態的 Intel Mac（16GB 記憶體、8GB VRAM）：7B 與 8B 過關，14B 的 GPU 判定轉紅，但 CPU 判定仍是綠燈。這裡可以看出它的雙軌設計：GPU 狀態講的是有沒有顯示卡可用，CPU 狀態講的是退而求其次、靠處理器硬撐能不能動。14B 在這台機器上屬於後者，跑得動，體驗會明顯慢一截。再把 Windows 拉到 32GB 記憶體與 16GB VRAM，14B 的 GPU 判定轉綠（門檻 12GB），32B 仍被擋（建議 24GB，RTX 4090 等級）。

Pin

六個尺寸的完整門檻長這樣，16GB Apple 晶片 Mac 的判定放在最後一欄：

每張卡片還附上對應的下載指令，從 ollama run deepseek-r1:1.5b 到 ollama run deepseek-r1:70b，複製貼上就能裝，判定和指令是綁在一起的。

Pin

門檻數字對得上官方下載大小

小型檢測工具最常見的毛病，是門檻憑感覺。這個工具大體不是：1.1、4.7、9.0、20、43GB 五個數字，與 Ollama 官方模型庫 deepseek-r1 的主標籤下載量一個都不差。第六個 8B 卡片寫 4.9GB，對應的是 Ollama 的 8b-llama-distill 標籤，這裡順手抓到一個小把柄：Ollama 在 2025 年 5 月把 8b 主標籤換成 5.2GB 的 Qwen3 蒸餾版，工具卡片停在改版前，沒有跟進。Ollama 同頁還列了一個 671b 標籤，下載量 404GB，就是原版的大小量級，個人偵測器沒放這個尺寸，理由很簡單：沒有個人的電腦裝得下。換句話說，它做的事接近把 Ollama 生態的實際大小整理成判定，而不是自己發明一套，只是整理的快照會過期。

頁面上攤開的換算邏輯也寫得清楚。VRAM 需求約等於參數量乘上精度位元組，再加激勵值（activation）：7B 用 FP16 存放，大約 7 乘 2 等於 14GB；實際部署建議再多留兩成，所以頁面寫成 18GB 以上。精度位元組白話講就是每個參數用多少空間存：FP32 用 4 位元組、FP16 用 2、INT8 用 1、INT4 用 0.5，量化就是把參數壓縮存放的技術。頁面說 8-bit 量化讓 VRAM 減半、4-bit 再減半，代價是可能損失一到三個百分點的精度，而 Ollama 預設拉的就是 4-bit 模型。我對照過 Ollama 官方頁：7b 標籤下載量 4.7GB，正是量化後的權重大小，與頁面的說法方向一致。

這也解釋了門檻的立場：卡片的最低 VRAM 是照量化後的實際大小開的，說明文字裡的 FP16 公式是給你想懂原理用的。兩套數字並存，讀的時候別混在一起，拿 14GB 的 FP16 數字去嚇自己 8GB 顯示卡，是常見的誤讀。

順著同一套邏輯可以自己算安全邊際。8GB VRAM 對 8B 門檻 8GB，看起來剛好過，但模型載入後還要放上下文與系統狀態，實務上貼著線的組合都建議退一級：8GB 卡選 7B、16GB 統一記憶體的 Mac 把舒適線畫在 8B，都是同一個道理。工具給的是及格線，不是舒適線，這一級之差就是使用體驗的分界。

工具頁連安裝教學都備好了：Windows、macOS、Linux 三份 Ollama 安裝指南，Windows 部分註明需要 64 位元系統與 CUDA 11.7 以上，Mac 支援 Intel 與 Apple 晶片。對第一次碰本地模型的人，判定完直接照著裝，動線是通的。

你測到的是 R1 的學生版，不是 R1 本尊

多數人不知道、而這個工具頁面也不會主動告訴你的事：那六個小尺寸的 DeepSeek R1，沒有一個是 DeepSeek 自己的架構。

證據在工具的配置源檔裡。企業計算機每選一個模型，旁邊能展開該模型的完整架構參數，這份資料直接內建在前端程式碼中，頁面上也給了查看入口。打開看：1.5B、7B、14B、32B 的架構欄寫的是 Qwen2ForCausalLM，8B 與 70B 寫的是 LlamaForCausalLM。我拿這份清單和 HuggingFace 上 deepseek-ai 官方帳號的模型組態逐項對照，完全一致：R1-Distill-Qwen-1.5B、R1-Distill-Llama-8B、R1-Distill-Qwen-32B、R1-Distill-Llama-70B，四個模型全部在 2025 年 1 月 20 日、也就是 R1 發布當天上線。真正的 DeepSeek R1 本體在源檔裡也有，架構是 DeepseekV3ForCausalLM，256 個專家、每個 token 動用 8 個，詞表 129,280，這些參數和 HuggingFace 官方配置同樣對得上。

所以「DeepSeek R1 模型 7B」的正確讀法是：拿 Qwen 7B 當底，用 R1 產生的推理資料訓練出來的學生版。蒸餾這個詞可以用補習班的比喻理解：R1 這個老師把自己解題的過程一題題寫下來，讓小模型照著模仿，小模型學到的是解題的節奏與套路，腦容量仍然是自己的。它學的是 R1 的推理行為，能力和上限繼承自基底模型，與 671B 原版是不同的東西。蒸餾版表現接不接近原版，屬於模型研究的課題，這個工具沒有、也無法評測。但至少在「我下載的到底是什麼」這件事上，源檔給了誠實的答案，比多數介紹文章都直白。

順帶一提，工具卡片把 8B 標成優於 7B 的推薦首選，這句斷言要打折：7B 的底是 Qwen，8B 的底是 Llama，跨家族比誰強，本來就沒有理所當然的答案，兩者各有擅長的推理型態，選哪個更該看你的機器落在哪個門檻。另外源檔也顯示，六個小尺寸的上下文長度都是 128K，原版是 160K，規格是從配置直接讀出來的，行銷文案寫不出這些。

企業計算機把 671B 的帳算給你看，但採購建議偏緊

企業計算器是另一個頁面，參數多得多：模型尺寸（1.5B 到 671B 七檔）、量化精度（FP32、BF16、FP16、FP8、INT8、INT4）、序列長度（預設 2048，可到 128K）、批次大小（預設 4）、GPU 數量，外加個人開發、團隊協作、生產環境、研究開發四個情境預設，點一下整套帶入。選好模型，旁邊就展開架構明細：隱藏層維度、層數、注意力頭數、KV 頭數、FFN 擴展比、MoE 專家數，全部攤開。

我把模型選到 DeepSeek-R1-671B、精度 FP8，其他用預設值。畫面上出現的是一條攤開的加法：框架固定開銷 1GB，加上模型參數 671GB（671B 乘 FP8 每參數 1 位元組），加上激勵值 167.75GB（參數量的四分之一，站方對 32B 以上模型用的動態係數），加上輸出張量 0.99GB，合計 840.74GB。輸出張量那一項的公式也寫明白：批次大小乘序列長度乘詞表大小再除以 GPU 數量，一般情境下它是小頭，但長批次推理時會長大。推薦配置跟著出爐：至少 9 張 H800 SXM（94GB 版）、AMD EPYC 雙路 128 核、1536GB DDR5 記憶體、200Gbps InfiniBand、16TB NVMe，並附上一組 vLLM 部署命令，python -m vllm.entrypoints.openai.api_server --tensor-parallel-size 的並行度直接按你的 GPU 數算好，從 HuggingFace 下載權重的指令也一併附上。

Pin

這個推薦有一個值得注意的地方。9 張 94GB 是 846GB，只比 840.74GB 的需求高百分之零點六；而工具自己的說明文字寫著，實際部署建議預留兩成冗餘。把兩成一乘，需求變成約 1009GB，需要 11 張 94GB 的卡才符合它自己給的建議。換句話說，推薦欄位沒有套用說明欄位的係數，照抄會把系統買在緊繃邊緣，沒有留故障與尖峰的餘裕。

固定係數本身也是簡化。激勵值用的是固定比例（7B 以下 0.1，往上逐級到 32B 以上 0.25），長上下文與多人同時使用的 KV cache 增長，只反映了輸出張量那一小項。如果你的情境是長文件分析或對外服務，把這台計算機當下限估算，再自行上調，會比直接信推薦配置穩。

GPU 清單則透露了它的目標市場：A800、H800 這些因出口管制而生的大陸市場規格，加上華為昇騰 910B，全部在列，還能按資料中心卡、專業卡、遊戲卡分類篩選。頁面設計上有個防呆值得肯定：手動選了過多的 GPU 時，它會提示目前配置的卡片數太多，改推薦性價比更高的組合。對台灣讀者來說，這份清單的用處是理解量級，採購時自然會換成自己拿得到的卡。

做工具的人：上海社群，頁面上還有算力生意

ThinkInAI 不是工具公司，是上海的 AI 開發者社群。主站辦的活動包括雙週的極客聚會、隔月的線上技術專題、每月的實體聚會，還有走進企業參訪、技術培訓與全球開發者技術峰會，頁尾掛著滬ICP備20019669號-4 的備案字樣。工具站本身沒有掛備案，也沒有任何條款或隱私頁面，這點對商用引用的人要留心：工具可自由使用，但權利義務沒有白紙黑字。

時間點也值得知道。thinkinai.xyz 網域在 2025 年 1 月中註冊，R1 在 1 月 20 日發布，據網際網路檔案館收錄紀錄，這個工具 2025 年 2 月中已經上線，上線頭一個多月連改了幾版，標準的熱潮期產物；拿 2026 年初的存檔和現在的頁面比仍有差異，站點至今也還能正常操作，不算棄坑。

免費工具的商業落點就長在頁面上。往下捲有三個入口：社群 QR code、用百度網盤分發的 Ollama 安裝包（對大陸下載加速），以及算力包服務，文案寫 1 度算力等於 312TFLOPS 乘 1 小時、相當於 A100 單卡一小時，支援 1 到 800 張 H100/H200 叢集按量計費，要掃碼加小助手洽談。檢測器引流、算力變現，路徑很直白，判定數字本身沒有因為這層商業結構而失真，這點我對照過官方資料。

隱私邊界倒是單純。整個計算在瀏覽器內完成，沒有帳號系統；我側錄了完整載入與操作過程的對外請求，唯一的外部服務是 Google Analytics（編號 G-679536ZX8V）與頁面素材，你填的硬體規格不會送往任何計算後端。GA 只知道有人來用工具，不知道你選了什麼配備。

綠燈不管核心數，也算不出速度

核心數沒有被檢查。工具從頭到尾只問記憶體，卡片上那行 12 核 CPU 的需求是參考文字，真正驅動綠燈紅燈的是記憶體數字。拿 16GB 記憶體、只有 4 核的老機器去測，14B 的 CPU 判定照樣亮綠燈。老機器用戶要自己把關處理器，別讓綠燈替你決定。

速度沒有數字。判定只講能不能跑，不講跑多快；頁面雖有每秒 token 數的欄位設計，實際顯示是無資料。14B 靠 CPU 硬撐和 8B 靠顯示卡跑，體感差很大，判定看不出來，要有心理準備。

介面語言有中英切換，中文是簡體，沒有繁體選項。台灣讀者使用上沒有功能障礙，就是讀簡體介面，名詞也是大陸慣用說法，對照著看就好。

最後，門檻是靜態的。它不知道你背景還開著什麼、系統要吃多少，Apple 晶片 Mac 尤其如此，16GB 機器跑 14B 的臨界可跑，實際上是你和作業系統搶記憶體的局面，這正是站方一點五倍建議存在的原因，寧可保守半個檔位。

誰可以直接照它做，誰要自己再算

想在本機跑 R1 蒸餾版的人，直接用，把判定當下限：16GB 的 Apple 晶片 Mac 抓 8B 當舒適上限、14B 當可試；8GB VRAM 的顯示卡抓 7B 或 8B；24GB 等級才考慮 32B。下載安裝照卡片給的 ollama run deepseek-r1:7b 指令走，大小和工具顯示的一致；想拿 Llama 基底的 8B 版，要在 Ollama 標籤頁指名 8b-llama-distill 系列，直接拉 8b 會拿到後來換上的 Qwen3 版。模型跑起來之後，接下來的問題是管理：想讓模型變成日常工作流的一部分，可以看看把本地模型裝進桌面助理的做法，例如 AingDesk 這類把模型與知識庫搬進自己電腦的工具；想再進一步做成自動化代理，AgenticSeek 用顯卡換掉雲端月費的思路值得參考。

要把模型做成對外服務、或想估 671B 原版的人，計算機當顧問，不當採購單：它的分解公式透明，但推薦配置記得自己補兩成，長上下文與併發再另外上調。真的要評估這個量級，找雲端按量計費試跑一輪，比一次買齊九張卡便宜得多，這也正是頁面上算力包生意存在的理由，工具把量級算給你看，生意再接手。

只是想用 R1 的能力、不在乎模型在誰機器上的人，本地部署本來就不是唯一路線。API 按量付費是最輕的起步，桌面端有監控 Token 消耗的配套工具；連手機離線跑小模型都有人做了，Google 的 AI Edge Gallery 就是那個方向的嘗試。先想清楚你要的是擁有模型，還是使用模型，答案會差很遠。

一句話收尾：這個工具最好的用法，是把它當成把模糊問題變成具體數字的翻譯器。數字它給得起，最後那一成兩成的安全邊際，仍是你自己的判斷。