引子
这几天看到极空间官方更新了本地部署DeepSeek的功能，作为极空间的老用户，我使用的是极空间消费级NAS中的旗舰型号Z423，正好体验一下实际效果如何。
在上手极空间的DeepSeek之前，我已经在RTX4090满血版台式机、MacBook Pro M1 Pro设备上基于Ollama本地跑过14B版本的DeepSeek R1，速度起飞。虽然不奢望小NAS能跑过GPU，但希望能够达到可用的程度。
在极空间安装DeepSeek
我的极空间Z423配置如下，从中可以看到，NAS的CPU带有一个核显，可以用于视频编解码，理论上应该也能给大模型推理用。
更新最新版的极空间系统以后，可以打开新增的应用“DeepSeek”，在里面就可以一键自动部署模型了，目前支持7B和14B两个参数量级的模型。
作为内存大户，我肯定先选择14B的模型试试水，并且将模型安装在NVME固态中，具备更快的加载速度。
作为内存大户，我肯定先选择14B的模型试试水，将模型安装在NVME固态中，具备更快的加载速度
等待十几分钟，模型就下载并安装好了，接下来就可以点击左上角的对话框开始聊天。
这个过程对小白比较友好，点两三下鼠标就开始本地部署了~
极空间本地DeepSeek体验
接下来就到了今天的重头戏，体验本地DeepSeek的实际效果！
我用来测试的问题是个简单的逻辑题：左手一只鸭，右手一只鸡。交换两次双手物品后，左右手中各是啥？
先来看极空间本地DeepSeek R1 14B的对话效果，如下图。可以看到，模型可以运行，但是Token输出非常慢，目测低于每秒10个Token，等思考完再输出答案，估计花都谢了，好在最后答案是正确的。
那么此时资源利用率如何呢？
根据下图实时的进程信息，极空间是采用了开源的llama.cpp方案运行本地模型，CPU利用率维持在50%左右，内存占了32G中的25%，正好是8G，也是模型权重文件的大小。
监控组件没有显示GPU的使用率，不过我推测实际上应该也没有用到GPU，极空间似乎没有为Z423适配GPU运行模型的参数。
对话的过程中，我听到了Z423风扇的噪音明显变大，那么此时温度如何呢？如下图所示，已经达到了74摄氏度，正常空载的温度一般在40~50摄氏度左右。
虽然Z423的AMD CPU温控一直做得不好，但这么烫我以后舍不得用它跑模型了。。。
事实上，之前我从来没考虑过用NAS跑模型，CPU推理事倍功半。
是不是14B的模型太大了，所以效果不好？
紧接着我也试了一下7B，实际效果大家看图吧。
可以看到输出速度比14B快多了，目测快了接近一倍。
虽然速度有所提高，但距离好用还是很遥远。
在满血版RTX4090上，DeepSeek R1的14B运行多快呢？请看下图！每秒输出的Token数达到了60，对用户来说已经是十分流畅的体验了！
理论上，llama.cpp比ollama的效率更高，不过如果性能够用的情况下，我会选择更简单的ollama。极空间选择llama.cpp估计是性能方面的考量更多，不过似乎目前的硬件对模型推理已经力不从心了。
总结
实际使用下来，在CPU运行的DeepSeek基本属于能跑但基本不可用的状态，瓶颈主要在于运算速度。如果能够把Z423的核显利用起来跑推理模型，相信效果会更加出色。
这里我有4个建议：
优化模型对话、不同参数的模型的切换交互逻辑，测试的时候我一度以为要把14B的模型删掉才能装7B的模型，两者不能同时共存。
提供局域网的模型接口，这样用户可以在习惯的工具中集成NAS的模型服务。
提供删除本地模型的功能，避免弃用模型长期占用系统空间。
提供更好的GPU支持，包括GPU负载监控和使用GPU进行模型推理。
我认为，本次极空间更新的DeepSeek更像是战略布局，先从软件上上线相关功能，再推出新硬件支持更快速的模型推理。这么看来的话，估计极空间今年很有可能会推出搭载了GPU或者NPU硬件新NAS。
极空间NAS的主打功能就是公网访问，官方提供代理能够访问家里的应用和数据。如果家里能流程运行私有化部署的大模型，对于用户来说又多了一个保护隐私的选择。
按照目前的趋势，下一代NAS产品或多或少都要加入GPU或者NPU的硬件。对于品牌NAS来说，新硬件带来的换机浪潮无疑是必争的业务增量，希望NSA厂商都能推出更有竞争力的产品。
