2025年春节，最令人瞩目的无疑是DeepSeek的惊艳亮相，它以颠覆性的创新迅速席卷全球，成为街谈巷议的热点。无论是在地铁车厢里，还是公司茶水间，DeepSeek都成了人们津津乐道的话题。社交平台上，网友们争相分享与DeepSeek的“互动瞬间”，从探讨未来科技趋势到交流生活小窍门，仿佛一切问题都能通过DeepSeek找到答案。
DeepSeek R1模型是DeepSeek研发的一款高效AI语言模型，能够以极低的成本提供媲美大规模基础模型的性能。它适用于各种AI任务，包括自然语言处理（NLP）、智能客服、知识问答等。
相比传统大规模AI模型，DeepSeek R1计算资源占用更低，推理速度更快，成本更可控。
亚马逊云科技部署DeepSeek的优势
北京时间1月31日，亚马逊宣布已经把DeepSeek - R1纳入其平台，DeepSeek-R1模型现在在亚马逊的云服务上可用。
现在集成了DeepSeek-R1，亚马逊云科技仅按基础设施使用时间收费，延续了亚马逊云科技一贯的弹性计费方式，降低了用户（尤其是中小企业和初创公司）的试错成本。为用户提供更高效、更经济的人工智能解决方案，强化了其作为全栈服务商的定位，有助于抵御竞争对手的AI生态攻势。
如何在亚马逊云科技部署DeepSeek
在亚马逊云科技部署 DeepSeek-R1 模型的路径包括：
1. Amazon Bedrock Marketplace 中的 DeepSeek-R1 模型
2. Amazon SageMaker JumpStart 中的 DeepSeek-R1 模型
3. 使⽤ AWS Trainium 和 AWS Inferentia 部署 DeepSeek-R1–Distill 模型
4. 使⽤ Amazon Bedrock ⾃定义模型导⼊功能部署 DeepSeek-R1–Distill 模型
上述路径中 ，1/2/3均需要使⽤⼀台亚马逊云科技GPU服务器作为基底部署，即使是对于7B的蒸馏版DeepSeek-R1，也⾄少需要⼀台 g6e.2xlarge服务器，每⽉费⽤为1636.72 美元。
因此本⽂着重介绍其中第四点 ，这是⼀种⽆服务器的部署⽅式，⽆需管理底层基础设施，模型单元⾃动扩展，按实际使⽤量计费。
定价⽰例：
在us-east-1区域导⼊⼀个8B参数的DeepSeek-R1 模型，序列⻓度为128K，并在1个⽉后删除该模型。这需要2个⾃定义模型单元，每分钟的价格为0.1570美元，每⽉的模型存储费⽤为3.90美元。
01 前期准备
Bedrock的⾃定义模型功能只⽀持以下两个区域，因此请确保当前亚马逊云科技控制台已切换⾄正确的区域：
-
弗吉尼亚北部 us-east-1
-
俄勒冈州 us-west-2
1. ⼀个S3存储桶⽤来存储从HuggingFace下载的DeepSeek模型包 ，⽅便导⼊ Bedrock。
2. ⼀个EC2角⾊⽤来允许EC2服务器读写S3桶 ，⽅便从HuggingFace下载了模型之 后 ，导⼊S3中。
3. ⼀台EC2服务器⽤来进⾏中转 ，从HuggingFace下载模型并上传⾄S3。该服务器 的存储空间建议为：8B模型⾄少50GB ，70B模型⾄少300GB。
02
模型导入
通过SSH⼯具登录刚才创建的EC2服务器，然后按照以下流程执⾏。
・更新Ubuntu系统的软件包列表，确保能获取最新的软件包信息
sudo apt-get update・安装Amazon CLI
sudo apt-get install awscli・安装Git Large File Storage (LFS) ，这是⼀个Git的扩展 ，⽤于处理⼤⽂件下载
sudo apt-get install git-lfs・检查Git LFS的版本 ，确认安装成功
git lfs version
・初始化Git LFS
git lfs install・从HuggingFace仓库下载模型⽂件，使⽤Git LFS克隆8B参数的DeepSeek模型
git lfs clone https://huggingface.co/deepseek-ai/DeepSeek-R1-Distill-Ll ama-8B・如果需要使⽤70B模型则使⽤这条命令
git lfs clone https://huggingface.co/deepseek-ai/DeepSeek-R1-Disti ll-Llama-70B・检查下载的8B模型⽂件夹的总⼤⼩ ，8B模型⾄少17GB ，70B模型⾄少135GB
du -sh DeepSeek-R1-Distill-Llama-8B/
・使⽤Amazon CLI将下载的8B模型⽂件上传到Amazon S3存储桶 命令中的<s3< span=""> URI>需要替换为模型存储位置的S3 URI
aws s3 cp ./DeepSeek-R1-Distill-Llama-8B/<s3< span=""> URI> --recursive・在S3中的⽂件列表应当如下图所⽰
03 在Bedrock倒入模型
・导航⾄Bedrock控制台，找到“导⼊的模型ˮ → “导⼊模型ˮ
・⾃定义⼀个模型名称
・在“模型导⼊设置ˮ⾥填写模型存储的S3 URI。 或者使⽤ “浏览S3ˮ⼯具 ，可视化选 择路径
・通常等到5-30分钟后 ，可以看到模型导⼊完成 请记录此处的模型ARN ，后续调⽤时会⽤到
04 调入导入的Bedrock自定义模型
・通过发送InvokeModel或 InvokeModelWithResponseStream请求，可以通过 API 对导⼊的模型运⾏推理。请参考⽂档：
https://docs.aws.amazon.com/bedrock/latest/userguide/inference- invoke.html
・Amazon CLI 调⽤ InvokeModel API ⽰例 ，请修改此处<model-arn>
aws bedrock-runtime invoke-model \ --model-id <model-arn> \--body '{"prompt": "\n\nHuman: 你好 ，你是谁\n\nAssistant:", "max_to kens_to_sample" : 1024}' \--cli-binary-format raw-in-base64-out \ invoke-model-output.txt
使⽤ InvokeModelWithResponseStream API 通过 Python ⽣成流式回复
import boto3 import jsonbrt = boto3.client(service_name='bedrock-runtime')body = json.dumps({'prompt': '\n\nHuman: 写⼀篇关于AI改变世界的⽂章\n\nAssistant:','max_tokens_to_sample': 4000 })response = brt.invoke_model_with_ response_stream( modelId='<model-arn>',body=body )stream = response.get('body') if stream:for event in stream:chunk = event.get('chunk') if chunk:print(json.loads(chunk.get('bytes').decode()))