Installer DeepSeek R1 avec Ollama

#Pourquoi DeepSeek R1 ?

R1 n'est pas un LLM "classique" : avant de répondre, il génère une chaîne de raisonnement visible, encadrée par des balises <think>...</think>. C'est cette phase qui lui permet de résoudre des problèmes de maths, de logique ou de code que les modèles à génération directe ratent souvent. Sur AIME 2024 et MATH-500, les distillats 14B et 32B battent largement Llama 3.1 70B Instruct, qui pèse pourtant 2 à 5 fois plus.

L'autre intérêt : la licence MIT, sans restriction d'usage commercial ni géographique. Vous pouvez intégrer R1 dans un produit, un agent, un outil interne, sans demander la permission à personne. C'est rare pour un modèle de raisonnement à ce niveau.

Distillation, en deux mots

Le modèle complet R1 (671B MoE) a généré des millions d'exemples de raisonnement, qui ont ensuite servi à fine-tuner des modèles plus petits (Qwen 7B/14B/32B et Llama 8B/70B). Les distillats ne sont donc pas R1 lui-même, mais des Qwen/Llama qui ont appris à raisonner comme R1.

#Les versions distillées disponibles

Ollama distribue sept tailles sous le même nom deepseek-r1. Le tag par défaut pointe sur la 7B distillée (Qwen 7B base).

deepseek-r1:1.5b: Base Qwen 2.5 Math 1.5B. Léger, parfait pour tester sur un laptop sans GPU. Qualité limitée sur les problèmes complexes.
deepseek-r1:7b: Base Qwen 2.5 Math 7B. Tag par défaut. Bon compromis pour 8 Go de VRAM. Excellente entrée en matière.
deepseek-r1:8b: Base Llama 3.1 8B. Légèrement plus loquace que la 7B, meilleure en français.
deepseek-r1:14b: Base Qwen 2.5 14B. Saut de qualité notable sur les maths. Sweet spot pour 12 Go de VRAM.
deepseek-r1:32b: Base Qwen 2.5 32B. Niveau o1-mini sur la plupart des benchmarks de raisonnement. Demande 24 Go de VRAM en Q4.
deepseek-r1:70b: Base Llama 3.3 70B. Le plus capable des distillats. RTX 5090 32 Go ou Mac Studio 64 Go+.
deepseek-r1:671b: Le modèle complet (MoE 671B, 37B actifs). Hors machine perso, mais possible sur un Mac Studio Ultra 512 Go.

#Prérequis et VRAM par taille

Avant d'installer DeepSeek R1 avec Ollama, vérifiez que vous avez Ollama installé (le daemon écoute par défaut sur http://localhost:11434) et que votre GPU a assez de mémoire pour la taille visée. Voici les besoins en VRAM pour la quantization Q4_K_M, qui est celle qu'Ollama télécharge par défaut.

1.5B Q4: ~1,1 Go VRAM. Tourne sur n'importe quel GPU ou même en CPU pur (15-25 tok/s).
7B Q4: ~4,7 Go VRAM. RTX 3050 8 Go, 4060 8 Go, Mac M1/M2 16 Go.
8B Q4: ~5,2 Go VRAM. Même cible que la 7B, marge plus serrée sur 6 Go.
14B Q4: ~9 Go VRAM. RTX 3060 12 Go, 4070 12 Go, M2 Pro 16 Go.
32B Q4: ~19 Go VRAM. RTX 3090/4090 24 Go, M3 Max 36 Go.
70B Q4: ~40 Go VRAM. RTX 5090 32 Go avec offload, Mac Studio Ultra 64 Go+.

→

Pas sûr de votre VRAM ?

Sur Windows, ouvrez le Gestionnaire des tâches, onglet Performance > GPU. Sur Linux : nvidia-smi pour NVIDIA, rocm-smi pour AMD. Sur Mac : la mémoire est unifiée, comptez environ 75 % de la RAM totale comme VRAM utilisable pour le LLM.

#1. Installer le modèle

Une seule commande suffit. Ollama télécharge les poids depuis son registre officiel et charge le modèle en mémoire à la première utilisation.

Installer la 7B par défaut

ollama run deepseek-r1

Pour une taille précise, ajoutez le tag :

Choisir explicitement une taille

# Version la plus légère (1.5B)
ollama run deepseek-r1:1.5b

# Sweet spot 12 Go VRAM
ollama run deepseek-r1:14b

# Pour RTX 3090/4090
ollama run deepseek-r1:32b

Le premier lancement télécharge le modèle (de 1 Go pour la 1.5B à 40 Go pour la 70B). Les lancements suivants sont instantanés tant que le modèle reste dans le cache d'Ollama.

Pas de :cloud, jamais

Si vous voyez deepseek-r1:cloud quelque part, ignorez-le : c'est un tag qui route vers les serveurs Ollama Cloud et facture à l'usage. Pour rester en self-hosted strict, n'utilisez que les tags numérotés (1.5b, 7b, 14b, 32b, 70b).

#2. Choisir sa taille

Le choix de taille dépend de trois variables : la VRAM, le type de tâches, et votre tolérance à l'attente. R1 produit en moyenne 500 à 2000 tokens de raisonnement avant la réponse finale — c'est donc 3 à 10 fois plus de tokens qu'un Mistral classique. La vitesse compte vraiment.

Tester R1 sans GPU sérieux: 1.5B ou 7B. Latence chat utilisable même en CPU.
Maths de niveau lycée / Python simple: 7B ou 8B. Suffisant 80 % du temps, déçoit sur l'algèbre avancée.
Maths sérieuses, logique, raisonnement long: 14B minimum. Saut net entre 8B et 14B sur AIME et MATH-500.
Niveau o1-mini, débogage complexe, démonstrations: 32B. C'est la cible idéale si vous avez 24 Go de VRAM.
Le maximum local possible: 70B Q4 sur RTX 5090 avec offload ou Mac Studio 64 Go+.

→

Règle simple

Commencez par la 14B si vous avez 12 Go de VRAM. C'est le palier où R1 devient vraiment intéressant. La 7B sert surtout à se faire la main.

#3. Premier prompt de raisonnement

R1 brille sur les problèmes qui demandent plusieurs étapes. Testons-le sur un classique d'AIME, abordable par la 14B :

Exemple maths

>>> Un train part de Lyon à 8h à 90 km/h vers Paris.
... Un autre part de Paris à 9h à 110 km/h vers Lyon.
... La distance Lyon-Paris est 460 km. À quelle heure se croisent-ils ?

<think>
À 9h, le premier train a parcouru 90 km. Il reste 460 - 90 = 370 km
entre les deux trains. Ils se rapprochent à 90 + 110 = 200 km/h.
Temps avant croisement : 370 / 200 = 1,85 h = 1h51min.
Donc croisement à 9h + 1h51 = 10h51.
</think>

Les deux trains se croisent à 10h51.

Notez bien la structure : tout ce qui est entre <think> et </think> est la chaîne de pensée du modèle. Vous pouvez l'afficher à l'utilisateur final, la masquer, ou la logger pour debug. C'est un excellent levier d'explicabilité dans une app.

Ne supprimez pas le <think>

Tentation classique : ajouter un system prompt qui dit "ne génère pas de chaîne de pensée". Mauvaise idée : la qualité s'effondre. Le raisonnement EST le modèle. Masquez le bloc côté UI plutôt que de le supprimer côté génération.

#4. Q4 vs Q8 : choisir la quantization

Par défaut, Ollama télécharge la Q4_K_M (compromis qualité/mémoire recommandé). Pour les modèles de raisonnement, certains préfèrent monter en Q8_0 — la dégradation de qualité sur la chaîne de pensée se ressent davantage que sur du chat classique.

Tags de quantization Ollama

# Q4_K_M (défaut) — recommandé pour 80 % des cas
ollama pull deepseek-r1:14b

# Q8_0 — qualité maximale, mémoire doublée
ollama pull deepseek-r1:14b-q8_0

# Liste complète des tags disponibles
ollama show deepseek-r1:14b --modelfile

Q4_K_M: Compromis par défaut. -2 à -4 % qualité vs FP16 sur les benchmarks de maths. C'est ce qu'il faut prendre en première intention.
Q5_K_M: +1 % qualité vs Q4, +25 % mémoire. Intéressant si vous avez de la marge VRAM sans pouvoir passer la taille supérieure.
Q8_0: Qualité quasi-FP16 (-0,5 %). Mémoire doublée vs Q4. Recommandé si vous voulez le top sur la 14B ou 32B et que vous avez la VRAM.
FP16: Référence pleine précision. Aucun intérêt pratique vs Q8 sur les distillats, et 4× plus lourd que Q4.

→

Q4 14B > Q8 7B

Quand vous hésitez entre monter en quantization ou monter en taille, montez toujours en taille. Une 14B Q4 bat systématiquement une 7B Q8 sur le raisonnement, pour la même VRAM environ.

#DeepSeek R1 vs QwQ-32B

QwQ-32B, sorti par l'équipe Qwen, est l'autre modèle de raisonnement open-weight de référence. Mêmes 32B de paramètres, même mécanique de chaîne de pensée, licence Apache 2.0. Lequel choisir ?

DeepSeek R1 32B: Meilleur sur les benchmarks de maths pures (AIME, MATH-500). Raisonnement souvent plus concis. Format <think>...</think> stable et facile à parser.
QwQ-32B: Meilleur sur le multilingue (notamment chinois), légèrement supérieur en code. Chaîne de pensée plus verbeuse, parfois en boucle. Format <think> aussi, mais moins discipliné.
Verdict pratique: R1 32B reste devant en maths/logique pure et en stabilité de format. QwQ a un léger avantage en code Python et en multilingue. Pour le français, les deux se tiennent (R1 légèrement devant en compréhension, QwQ devant en production).
Ressources: Identiques à la VRAM près. Les deux tiennent en Q4 sur 24 Go (RTX 3090/4090).

Tester les deux est rapide

ollama pull qwq:32b à côté de deepseek-r1:32b, comparez sur vos vrais prompts. C'est l'arbitrage le plus fiable — les benchmarks publics sont saturés, vos cas d'usage le sont moins.

#Dépannage

Modèle qui n'affiche pas le <think>: Vous utilisez peut-être un client qui masque les balises XML. Testez avec ollama run en CLI pour vérifier que le modèle les génère bien. Si l'API JSON les coupe, c'est côté client.
Réponses tronquées: Le contexte par défaut d'Ollama est 4096 tokens. R1 en consomme beaucoup pour son raisonnement. Augmentez : /set parameter num_ctx 16384 dans la session, ou via le paramètre options.num_ctx en API.
Très lent malgré un bon GPU: Vérifiez avec ollama ps que le modèle est bien 100 % GPU. Si la colonne PROCESSOR montre du CPU, vous débordez en RAM. Descendez d'une taille ou passez en quantization plus agressive.
Le modèle boucle sur sa chaîne de pensée: C'est typique des petits distillats (1.5B, 7B) sur des problèmes trop durs. Soit montez en taille, soit posez un problème plus simple, soit ajoutez à votre prompt « réponds en moins de 500 tokens de raisonnement ».
Erreur "insufficient memory": Modèle trop gros pour votre VRAM. ollama rm deepseek-r1:32b puis ollama pull deepseek-r1:14b. Vous pouvez aussi forcer un offload partiel avec OLLAMA_GPU_LAYERS.

#Pour aller plus loin

Quelques pistes naturelles après cette installation :

Comprendre les quantizations: Le guide Q4/Q5/Q8 du site détaille les compromis précis, utile avant de monter en taille.
Choisir son GPU pour R1: Si vous visez la 32B sérieusement, le guide d'achat GPU donne les seuils 24/32 Go à viser en 2026.
Connecter R1 à une interface: Open WebUI ou LM Studio gèrent nativement les balises <think> et permettent de plier/déplier le raisonnement.

Ce guide vous a aidé ?

Un retour, une erreur, une précision ? Faites-nous signe, ça améliore le guide pour tout le monde.

Suite logique

Premiers pas · 9 min