如何在MATLAB中使用DeepSeek模型

| 作者： Mike Croucher，MathWorks 总部 & 技术小哥，MathWorks 中国

（下文翻译自 MATLAB Central 博客系列 The MATLAB Blog，点击文末“阅读原文”可以直接跳转至该原文。）

在 DeepSeek-R1(https://github.com/deepseek-ai/DeepSeek-R1) AI 模型横空出世后，人们几乎就立马开始询问如何在 MATLAB 中使用这些模型。上周末，MathWorks 的软件测试工程师 Vasileios Papanastasiou 在 LinkedIn 上发了指南帖，今天上午我第一次在自己的机子上根据他的指导尝试了下。  

在本地运行 deepseek-r1:1.5b

我将使用附加功能 “Large Language Models (LLMS) with MATLAB” 以及 ollama，在我的本地机子上运行一个较小的 DeepSeek 模型，并在 MATLAB 中与之交互。按照 Vasileios 的指导，我做的第一件事是:

下载并安装 Ollama: https://ollama.com/download

我在 Windows 上进行了此操作。安装完成后，我打开操作系统的命令行并运行了该命令:

ollama run deepseek-r1:1.5b

这将安装一个 15 亿参数的模型，虽然模型很小，但希望这意味着我不需要担心计算资源的限制。以后我还可以尝试更大的模型。

现在来看看 MATLAB。Vasileios 建议我们从 GitHub(https://github.com/matlab-deep-learning/llms-with-matlab) 获取附加功能 “Large Language Models (LLMS) with MATLAB”，但我采取了不同的方法。我点击了 MATLAB R2024b 的“环境”中的“附加功能”。

我在附加功能资源浏览器中搜索 “Large Language Models”，找到后点击 “添加”。这样就完成了下载和安装。

安装就这样完成了。现在让我们在 MATLAB 中开始使用它！
首先，创建一个 ollamaChat 对象

 

chat = ollamaChat("deepseek-r1:1.5b")

 

 

终于，我们可以尝试与 AI 对话

txt = generate(chat,"What is the speed of light?")

 

 

我觉得像这样的 LLM 模型有趣的一点是，你可以反复问同一个问题，每次都会得到不同的答案，这反映了它们的随机性。有时结果只是略有不同

txt = generate(chat,"What is the speed of light?")

 

 

而有时回复确实会非常冗长，包含很多“思考”的内容。

txt = generate(chat,"What is the speed of light?")

 

 

哇太多字了！

我想这是许多人所说的 AI 冗余(https://en.wikipedia.org/wiki/AI_slop)的一个例子。不过，不管它还说了什么，这个模型似乎相当确定光速是299,792,458米每秒，根据维基百科，这是正确的。这是 DeepSeek 模型的一个非常小的版本，但它仍然可以做一些有用的事情，而且是了解基于 LLM 的 AI 技术优缺点的一种有趣且有意义的方式。
您也不妨试试看，然后告诉我们你的想法！

技术小哥本地测评

在本地部署 DeepSeek，并用 MATLAB 调用，是非常容易的，我并未遇到太多困难就成功了，全过程可以总结为以下步骤：

 
MATLAB 调用大语言模型的优势之一是，容易对大预言模型的返回结果进行处理。

这里给出两个玩法：
1. 利用字符处理能力，对大语言模型结果的关键信息进行提取。这里我问 DeepSeek 光速是多少 m/s，并反复提问 10 次，对回答结果中的数字进行提取，从而获得更为可靠的结果，代码如下：

 

chat = ollamaChat("deepseek-r1:32b");
raws = {};
for i=1:10
    raws{i} = generate(chat,"光速是多少m/s");
end
%对 DeepSeek 询问10次
processed=[];
for i=1:10
    temp=char(raws{i});
    [a,b] = regexp(temp,'');
    temp=temp(b:end);
    [a,b] = regexp(temp,'[0123456789,(?s)]{2,}');
    temp=temp([a(1):b(1)]);
    temp=replace(temp,',','');
    processed(i)=str2num(temp);
end
%对每次回答中的数字进行提取
median(processed)
%求取中位数

  2. 基于 Text Analytics Toolbox 工具箱的文字处理能力，对 DeepSeek 的回答进行进一步分析，例如我让 DeepSeek 写一些新春祝福，然后对回答进行词云处理，获得了这样的结果。