DeepSeek R1 lokal installieren mit Ollama (2026 Anleitung)

Was DeepSeek R1 ist und wie es sich von Standard-LLMs unterscheidet

DeepSeek R1 ist ein Reasoning-Modell, kein standardmäßiges autoregressives Sprachmodell. Der Unterschied liegt im Inferenzprozess: R1 generiert eine schrittweise Gedankenkette (in -Tags eingeschlossen), bevor es seine endgültige Antwort erzeugt. Dieser Reasoning-Prozess ist in Ollamas Ausgabe sichtbar und ist die Quelle der verbesserten Leistung von R1 bei komplexen Aufgaben.

DeepSeek R1-Varianten auf Ollama (Stand März 2026):

Die destillierten Modelle (1,5B bis 70B) sind trainiert, um das Reasoning-Verhalten von R1 in kleineren dichten Architekturen zu reproduzieren.

Ollama installieren

Ollama ist die Laufzeitumgebung, die DeepSeek R1-Modelldateien verwaltet und Inferenz verarbeitet.

Linux und macOS

# Ein-Befehl-Installer
curl -fsSL https://ollama.com/install.sh | sh

Installation prüfen:

ollama --version
# Erwartet: ollama version 0.6.x

Unter Linux erstellt der Installer einen systemd-Dienst. Status prüfen:

systemctl status ollama
# Erwartet: active (running)

Windows (WSL2)

Ubuntu über WSL2 installieren, dann den Linux-Installer im WSL2-Terminal ausführen. Ollama auf Windows hat auch einen nativen Installer unter ollama.com/download.

Docker (für VPS-Deployments)

docker run -d \
  -v ollama:/root/.ollama \
  -p 11434:11434 \
  --name ollama \
  ollama/ollama

Modellgröße wählen und herunterladen

Das größte Modell wählen, das Ihr RAM unterstützt. Größere Modelle liefern bei komplexen Aufgaben deutlich bessere Reasoning-Ausgaben.

Schnelle Entscheidungshilfe:

• 8 GB RAM: deepseek-r1:7b oder deepseek-r1:8b verwenden
• 16 GB RAM: deepseek-r1:14b verwenden
• 32 GB RAM: deepseek-r1:32b verwenden
• 48 GB RAM: deepseek-r1:70b verwenden

Verfügbaren RAM vor dem Herunterladen prüfen:

# Linux
free -h

# macOS
vm_stat | grep "Pages free"

Modell herunterladen (Beispiel: 14B-Variante):

ollama pull deepseek-r1:14b

# Erwartete Ausgabe:
# pulling manifest
# pulling 6e9f90f02bb3...  100% ████████ 9.0 GB / 9.0 GB
# success

Der Download des 14B-Modells (9 GB) dauert bei einer 150-Mbps-Verbindung ca. 8 Minuten.

Verfügbarkeit des Modells bestätigen:

ollama list

# Erwartete Ausgabe:
# NAME                    ID              SIZE    MODIFIED
# deepseek-r1:14b         ea35dfe18182    9.0 GB  vor 2 Minuten

Erste Inferenz ausführen

Interaktive CLI-Sitzung

Eine interaktive Sitzung direkt im Terminal starten:

ollama run deepseek-r1:14b

Nach dem Laden des Modells (10-20 Sekunden beim ersten Start) einen Prompt eingeben:

>>> Lösen Sie dies schrittweise: Ein Zug fährt 120 km mit 60 km/h, dann 80 km mit 40 km/h. Was ist die Durchschnittsgeschwindigkeit für die gesamte Reise?

DeepSeek R1 generiert einen sichtbaren Reasoning-Block vor der endgültigen Antwort:

<think>
Um die Durchschnittsgeschwindigkeit zu berechnen, benötige ich die Gesamtstrecke geteilt durch die Gesamtzeit.

Gesamtstrecke = 120 km + 80 km = 200 km

Zeit für das erste Teilstück = 120 km / 60 km/h = 2 Stunden
Zeit für das zweite Teilstück = 80 km / 40 km/h = 2 Stunden
Gesamtzeit = 4 Stunden

Durchschnittsgeschwindigkeit = 200 km / 4 Stunden = 50 km/h
</think>

Die Durchschnittsgeschwindigkeit für die gesamte Reise beträgt 50 km/h.

Der -Block zeigt das interne Reasoning von R1. Der Inhalt nach dem schließenden -Tag ist die endgültige Antwort.

Einzelne Inferenz (nicht-interaktiv)

ollama run deepseek-r1:14b "Was ist die Zeitkomplexität von Merge Sort und warum?"

Inferenzgeschwindigkeit prüfen

Nach einem Prompt gibt Ollama Performance-Statistiken aus:

eval count:    312 token(s)
eval duration: 22.4s
eval rate:     13.9 tokens/s

Bei reiner CPU-Inferenz mit dem 14B-Modell: 8-15 Token/Sekunde auf einem 4-Kern-VPS. Mit NVIDIA-GPU: 40-120 Token/Sekunde.

Ollama REST-API verwenden

Ollama stellt eine REST-API unter http://localhost:11434 und einen OpenAI-kompatiblen Endpunkt unter http://localhost:11434/v1 bereit.

Native Ollama-API

curl http://localhost:11434/api/generate \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-r1:14b",
    "prompt": "Erkläre wie Quicksort in drei Sätzen funktioniert.",
    "stream": false
  }'

Die JSON-Antwort enthält den Reasoning-Trace im Feld response:

{
  "model": "deepseek-r1:14b",
  "response": "<think>\nQuicksort funktioniert...\n</think>\n\nQuicksort ist ein Teile-und-herrsche-Algorithmus...",
  "done": true,
  "eval_count": 198,
  "eval_duration": 14200000000
}

Think-Block aus API-Antworten entfernen

Falls die Anwendung nur die endgültige Antwort benötigt, den Think-Block mit Python herausfiltern:

import re

def think_entfernen(response: str) -> str:
    """DeepSeek R1 <think>...</think>-Block aus der Antwort entfernen."""
    return re.sub(r'<think>.*?</think>', '', response, flags=re.DOTALL).strip()

# Verwendungsbeispiel
roh = "<think>\nLet me work through this...\n</think>\n\nDie Antwort ist 42."
sauber = think_entfernen(roh)
print(sauber)
# Ausgabe: Die Antwort ist 42.

Open-WebUI als Chat-Oberfläche verbinden

Open-WebUI gibt DeepSeek R1 eine ChatGPT-ähnliche Browser-Oberfläche, einschließlich der Unterstützung für das Rendern der -Reasoning-Blöcke in einem zusammenklappbaren Format.

Schnellstart mit Docker

docker run -d \
  -p 3000:8080 \
  -e OLLAMA_BASE_URL=http://host.docker.internal:11434 \
  -v open-webui:/app/backend/data \
  --name open-webui \
  ghcr.io/open-webui/open-webui:main

http://localhost:3000 im Browser öffnen. deepseek-r1:14b aus der Modell-Dropdown-Liste auswählen. Open-WebUI rendert den -Inhalt in einem zusammenklappbaren "Thinking..."-Abschnitt.

Eine ausführliche Anleitung zur Open-WebUI-Einrichtung finden Sie in der Open-WebUI-Anleitung.

GPU-Beschleunigung aktivieren

GPU-Inferenz reduziert die Antwortzeit von 10-15 Token/Sekunde (CPU) auf 40-120 Token/Sekunde (GPU).

NVIDIA-GPU (CUDA)

Ollama erkennt NVIDIA-GPUs automatisch unter Linux, wenn das NVIDIA CUDA Toolkit installiert ist:

ollama run deepseek-r1:14b "Hallo"

# GPU-Nutzung in einem zweiten Terminal prüfen:
nvidia-smi

Falls die GPU nicht erkannt wird, CUDA-Toolkit installieren:

# Ubuntu 22.04
sudo apt install nvidia-cuda-toolkit

Partial GPU Offloading (Gemischt CPU + GPU)

Falls das Modell nicht vollständig in den VRAM passt, lagert Ollama so viele Schichten wie möglich auf die GPU aus. Dies geschieht automatisch.

journalctl -u ollama -f | grep "offload"
# Beispielausgabe:
# llm_load_tensors: offloading 28 repeating layers to GPU
# llm_load_tensors: offloaded 28/41 layers to GPU

Apple Silicon (Metal)

Auf Apple Silicon Macs verwendet Ollama automatisch das Metal-GPU-Framework. Keine Konfiguration erforderlich. Der M2 Pro mit 16 GB Unified Memory führt deepseek-r1:14b mit ca. 20-30 Token/Sekunde aus.