Exécutez DeepSeek-R1 en local : versions distillées, compatibilité matérielle et installation

Dernière vérification : 2026-10-14

DeepSeek-R1 fait partie de la précédente famille de modèles de raisonnement de DeepSeek. La plupart des utilisateurs le font tourner en local via une distill : il s’agit d’un modèle Qwen ou Llama plus petit, affiné à partir des traces de raisonnement de R1, ce qui permet de l’exécuter sur une carte graphique de type portable plutôt que sur un serveur multi-GPU. Consultez cette page si vous recherchez une solution nécessitant moins de ressources matérielles. Pour la dernière version open-weight de DeepSeek, les améliorations liées aux agents de codage, l’appel d’outils et le 1M contexte, commencez par DeepSeek-V4-Flash-0731. Associez Tokios à n’importe quel modèle pour y accéder depuis n’importe quel appareil, collaborateur ou agent hébergé via https://api.tokios.com : aucun port entrant ni VPN n’est requis.

Exécutez-le en local avec Ollama

L’étiquette deepseek-r1 sur Ollama propose les versions distillées, et non le modèle complet. Téléchargez et lancez la version par défaut (actuellement la version distillée Qwen 7b) :

ollama run deepseek-r1

Pour sélectionner une taille spécifique, indiquez directement l’étiquette, par exemple ollama run deepseek-r1:14b. Consultez la page de la bibliothèque Ollama pour obtenir la liste complète des étiquettes.

La fenêtre de contexte par défaut d’Ollama est de 2048 jetons, un chiffre bien inférieur aux capacités réelles de ces modèles. Or, le raisonnement dans le style de R1 consomme rapidement le contexte pour produire une réponse. Augmentez donc num_ctx (via /set parameter num_ctx <value> dans l’interface en ligne de commande ou dans votre fichier Modelfile/requête API) afin de le rapprocher de la taille de contexte indiquée dans le tableau ci-dessous.

Variantes et étiquettes

Toutes les valeurs ci-dessous proviennent de la bibliothèque Ollama et des configurations Hugging Face de chaque modèle. Les étiquettes, tailles et valeurs par défaut évoluent avec l’arrivée de nouvelles quantifications ; vérifiez donc sur ollama.com/library/deepseek-r1 avant de retenir une option définitive.

Distill	Modèle de base	Étiquette Ollama (`Q4_K_M`)	Taille du téléchargement	Contexte
1.5B	Qwen2.5-Math-1.5B	`deepseek-r1:1.5b`	~1.1 Go	128K
7B	Qwen2.5-Math-7B	`deepseek-r1:7b` (par défaut)	~4.7 Go	128K
8B	Llama-3.1-8B	`deepseek-r1:8b`	~4.9 Go	128K
8B (0528, base Qwen3)	Qwen3-8B	`deepseek-r1:8b-0528-qwen3-q4_K_M`	~5.2 Go	128K
14B	Qwen2.5-14B	`deepseek-r1:14b`	~9.0 Go	128K
32B	Qwen2.5-32B	`deepseek-r1:32b`	~20 Go	128K
70B	Llama-3.3-70B-Instruct	`deepseek-r1:70b`	~43 Go	128K
671B (R1 complet)	—	`deepseek-r1:671b`	~404 Go	160K
671B (R1-0528, complet)	—	`deepseek-r1:671b-0528-q4_K_M`	~404 Go	160K

Sources : ollama.com/library/deepseek-r1/tags, deepseek-ai/DeepSeek-R1 README.

Les étiquettes 671b désignent les versions complètes de DeepSeek-R1 (ainsi que R1-0528), et non des versions distillées — Ollama les publie simplement sous le même nom deepseek-r1. Tous les modèles allant de 1.5b à 70b sont des versions distillées : il s’agit de modèles Qwen ou Llama affinés à partir des traces de raisonnement de R1, et non de versions réduites de R1 lui-même. Consultez le fonctionnement de l’inférence pour comprendre l’impact de cette distinction sur la qualité des résultats.

Quantification et formats

Les étiquettes par défaut d’Ollama sont GGUF Q4_K_M. Chaque taille de distill et le 671b complet publient également des étiquettes -q8_0 et -fp16 sur la page de la bibliothèque, pour des téléchargements moins destructeurs (et beaucoup plus volumineux). Consultez les formats de quantification et le matériel requis pour savoir ce qui fonctionne sur votre GPU, et la quantification expliquée pour apprendre à lire les noms de type Q4_K_M.

Compatibilité matérielle

Une utilisation confortable pour une longueur de contexte modérée, soit environ Q4. Chaque valeur indiquée doit être considérée comme une estimation ; la taille réelle correspond à la taille du modèle GGUF ajoutée à celle du cache KV nécessaire à votre contexte. Consultez quel modèle convient à votre GPU ? pour les calculs de dimensionnement.

Cible	1.5B–8B (soit environ 1 à 5 Go)	14B (soit environ 9 Go)	32B (soit environ 20 Go)	70B (soit environ 43 Go)	671B (soit environ 404 Go)
Ordinateur portable / GPU de 8 Go	Confortable	Étroit	Ne convient pas	Ne convient pas	Ne convient pas
RTX 3090 / 4090 (24 Go)	Confortable	Confortable	Confortable	Ne convient pas	Ne convient pas
RTX 5090 (32 Go)	Confortable	Confortable	Confortable, avec un contexte plus long	Ne convient pas	Ne convient pas
RTX 6000 Ada / A6000 (48 Go)	Confortable	Confortable	Confortable, avec un contexte très long	Juste suffisant, contexte court	Ne convient pas
Apple Silicon / Strix Halo (96 à 128 Go de mémoire unifiée)	Confortable	Confortable	Confortable	Confortable	Ne convient pas
Serveur multi-GPU (8 × 80 Go de classe serveur)	Confortable	Confortable	Confortable	Confortable	Confortable à `Q4`

Le modèle complet 671b nécessite environ 404 Go rien que pour ses poids à Q4_K_M — cela exige plusieurs GPU de classe datacenter ou un cluster à mémoire unifiée équivalent, et non une simple station de travail. Tous les modèles jusqu’à 70b sont réalisables avec le matériel que possèdent généralement les passionnés.

Exécutez-le — pour débutants comme pour experts

Ollama (le plus simple)
LM Studio (interface graphique)
vLLM (pour experts)
SGLang (pour experts)

ollama run deepseek-r1:14b

Laissez Ollama en écoute sur le port par défaut http://127.0.0.1:11434. Augmentez la valeur de num_ctx afin d’utiliser davantage la fenêtre de contexte du modèle.

Recherchez DeepSeek R1 dans le catalogue de modèles de LM Studio, choisissez une version distillée adaptée à votre VRAM (commencez avec 14b ou 32b à la taille de Q4_K_M), puis lancez le serveur local de LM Studio. Celui-ci met à disposition une API compatible OpenAI sur l’adresse http://127.0.0.1:1234/v1.

Pour une version distillée :

vllm serve deepseek-ai/DeepSeek-R1-Distill-Qwen-32B \
  --tensor-parallel-size 2 \
  --max-model-len 32768

Pour le modèle complet, répartissez-le sur suffisamment de GPU afin de supporter environ 404 Go (Q4) ou davantage en précision élevée. Les paramètres proviennent de la section vLLM de la fiche technique du modèle.

python3 -m sglang.launch_server \
  --model deepseek-ai/DeepSeek-R1-Distill-Qwen-32B \
  --trust-remote-code \
  --tp 2

Remplacez l’ID de modèle par deepseek-ai/DeepSeek-R1 et augmentez la valeur de --tp pour exécuter le modèle complet. Les paramètres proviennent de la section SGLang de la fiche technique du modèle.

Fonctionnalités

Raisonnement : R1 ainsi que toutes les versions distillées génèrent un bloc <think>…</think> avant la réponse finale. La fiche technique de DeepSeek recommande d’utiliser une température de 0.5–0.7 (0.6 étant suggéré), de ne pas appliquer de prompt système, et — pour les calculs mathématiques — de demander explicitement au modèle de « raisonner pas à pas » et de mettre en encadré sa réponse finale.
Appel de outils natif : Ce mécanisme n’est pas fiable sur les versions distills. Le modèle de chat d’Ollama destiné aux distills R1 ne prend pas en charge l’appel d’outils ou de fonctions de la même manière que Llama 3.1/3.3 ou Qwen3 — consultez ollama/ollama#8517 (problème non résolu concernant le modèle distill). Si votre charge de travail exige un agent capable d’appeler des outils, optez pour un modèle conçu à cet effet — voyez Choisir un modèle selon la tâche.
Contexte : 128K s’applique à chaque distillation (de 1.5b à 70b) ; 160K concerne l’ensemble du 671b R1 et R1-0528.
Vision : Aucun des modèles listés ici n’est multimodal ; DeepSeek-R1 et ses versions distillées ne gèrent que le texte.

Au-delà de R1 : privilégiez V4 Flash 0731 pour accéder aux dernières avancées.

R1 est un point de contrôle optimisé pour le raisonnement, construit sur l’architecture V3 de DeepSeek. La version officielle actuelle est deepseek-ai/DeepSeek-V4-Flash-0731, qui remplace la préversion V4 Flash. Ce modèle est distribué avec poids libres et licence MIT, mais il requiert un serveur multi-appareils plutôt qu’une simple station de travail. L’article Présentation de la famille DeepSeek décrit son architecture ciblant 284B et activée pour 13B, son moteur DSpark intégré, la gestion des appels d’outils, le contexte 1M ainsi que les configurations matérielles locales.

Reliez-le au connecteur Tokios.

Une fois qu’un modèle DeepSeek tourne en local, associez le connecteur Tokios afin de l’utiliser en tant que https://api.tokios.com depuis Claude Code, Cline ou tout autre client compatible — et non uniquement depuis localhost:11434.

Effectuez le couplage avec le connecteur Tokios.

Connectez-vous sur tokios.com/console, ouvrez l’onglet Setup puis cliquez sur Start pairing pour obtenir un code d’appairage unique (TKS-XXXX-XXXX). Installez et lancez ensuite le connecteur sur l’ordinateur exécutant Ollama.

Windows

irm https://tokios.com/downloads/install/windows | iex; tokios-install -Code 'TKS-XXXX-XXXX'

macOS

curl -fsSL https://tokios.com/downloads/install/macos | sh -s -- --code TKS-XXXX-XXXX

Linux

curl -fsSL https://tokios.com/downloads/install/linux | sh -s -- --code TKS-XXXX-XXXX

Ensuite, sélectionnez approve le périphérique dans l’onglet Setup ou Connectors.

Configurez le connecteur afin qu’il pointe vers l’API /v1 d’Ollama.

Ollama propose une interface compatible OpenAI à l’adresse /v1. Dans un environnement à un seul modèle, l’assistant de configuration du tableau de bord renseigne automatiquement cette valeur sous la forme http://127.0.0.1:11434/v1. Pour plusieurs modèles, il faut la saisir manuellement dans tokios-connector.json — consultez Configuration du connecteur.

Effectuez un déploiement

Dans l’onglet Models, enregistrez le modèle et choisissez un nom de déploiement public, par exemple deepseek-r1-tunnel. Ce nom — et non l’ID de modèle amont d’Ollama — est celui que les clients transmettent dans le champ model.

Créez une clé API

Dans l’onglet Keys, cliquez sur Create key. Copiez alors la clé sk-tok-… ; elle ne s’affiche qu’une seule fois.

Appelez-la depuis n’importe où

curl https://api.tokios.com/v1/chat/completions \
  -H "Authorization: Bearer sk-tok-YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-r1-tunnel",
    "stream": true,
    "messages": [{"role": "user", "content": "Explain the halting problem."}]
  }'

export ANTHROPIC_BASE_URL=https://api.tokios.com
export ANTHROPIC_API_KEY=sk-tok-YOUR_KEY
claude --model deepseek-r1-tunnel

Le champ model doit toujours contenir le nom de déploiement que vous avez enregistré (tel que deepseek-r1-tunnel ci-dessus), jamais l’ID de modèle local d’Ollama. Tokios transforme tout ce qui tourne sur localhost en point de terminaison sécurisé et authentifié, sans modifier les capacités du modèle. Pour la configuration complète des clients, consultez Utiliser Claude Code et Utiliser Cline.

Points à considérer

L’appel d’outils reste instable sur les versions distillées R1. Si vous mettez en place un agent, une interface en ligne de commande ou un plugin d’IDE nécessitant l’utilisation d’outils par le modèle, privilégiez plutôt un modèle dont le support natif d’outils est avéré — voyez Choisir un modèle selon la tâche.
Augmentez la taille de la fenêtre de contexte. La valeur par défaut de Ollama, limitée à 2048 jetons, interrompt rapidement les raisonnements de type R1 ; augmentez num_ctx pour un usage réel, jusqu’à 128K pour les versions distillées ou 160K pour les modèles complets 671b.
Une version distillée ne correspond pas au modèle complet. Les étiquettes 1.5b–70b désignent des points de contrôle Qwen/Llama affinés à partir des traces de raisonnement de R1 ; ils reproduisent le comportement de raisonnement sur du matériel peu puissant, mais pas l’ensemble des capacités de R1. La qualité des évaluations diminue à mesure que la taille du modèle se réduit ; consultez la fiche technique du modèle DeepSeek-R1 pour consulter le tableau d’évaluation des versions distillées.
Les licences varient selon les versions distillées. Les poids complets R1/R1-0528 ainsi que les versions distillées basées sur Qwen (1.5b, 7b, 14b, 32b) relèvent de la licence MIT. En revanche, les versions distillées basées sur Llama (8b, 70b) suivent la licence Llama 3.1/3.3 de Meta, héritée du modèle de base — vérifiez cette licence avant toute utilisation commerciale de ces deux étiquettes.
671B nécessite du matériel multi-GPU — environ 404 Go rien qu’en espace de stockage Q4_K_M — ce qui dépasse les configurations classiques sur une seule station de travail. Le checkpoint V4 Flash 0731 actuel est plus léger, mais requiert tout de même environ 162 à 167 Go avant même de prendre en compte le cache KV et les surcharges d’exécution ; consultez la présentation de la famille DeepSeek.
Tokios transmet directement les requêtes d’appel de outils à tout ce que l’ID de modèle amont prend en charge ; il n’ajoute pas de fonctionnalité d’appel de outils si le modèle sous-jacent ne la possède pas.

Aperçu de la famille DeepSeek

R1, V3.x et la frontière V4 — quel niveau convient le mieux à votre matériel.

Sélectionnez un modèle en fonction de la tâche à accomplir

Choisissez un modèle doté d’un appel de outils fiable si vous développez un agent.

Associez un modèle à votre GPU

Comparez les classes de mémoire VRAM selon les différentes tailles de distillation avant de sélectionner une étiquette.

Quantification et matériel

Quels formats — GGUF, FP16 et d’autres — sont compatibles avec votre matériel.

Premiers pas

Modèles

Concepts

Référence

Exécutez DeepSeek-R1 en local : versions distillées, compatibilité matérielle et installation

Exécutez-le en local avec Ollama

Variantes et étiquettes

Quantification et formats

Compatibilité matérielle

Exécutez-le — pour débutants comme pour experts

Fonctionnalités

Au-delà de R1 : privilégiez V4 Flash 0731 pour accéder aux dernières avancées.

Reliez-le au connecteur Tokios.

Appelez-la depuis n’importe où

Points à considérer

Aperçu de la famille DeepSeek

Sélectionnez un modèle en fonction de la tâche à accomplir

Associez un modèle à votre GPU

Quantification et matériel

​Exécutez-le en local avec Ollama

​Variantes et étiquettes

​Quantification et formats

​Compatibilité matérielle

​Exécutez-le — pour débutants comme pour experts

​Fonctionnalités

​Au-delà de R1 : privilégiez V4 Flash 0731 pour accéder aux dernières avancées.

​Reliez-le au connecteur Tokios.

​Appelez-la depuis n’importe où

​Points à considérer

Aperçu de la famille DeepSeek

Sélectionnez un modèle en fonction de la tâche à accomplir

Associez un modèle à votre GPU

Quantification et matériel

Exécutez-le en local avec Ollama

Variantes et étiquettes

Quantification et formats

Compatibilité matérielle

Exécutez-le — pour débutants comme pour experts

Fonctionnalités

Au-delà de R1 : privilégiez V4 Flash 0731 pour accéder aux dernières avancées.

Reliez-le au connecteur Tokios.

Appelez-la depuis n’importe où

Points à considérer