云服务
EN
FR
ES
DE
JP
AR
轻量化大模型适配国产平台：DeepSeek R1蒸馏模型在InHand EC3000边缘计算机上的部署实践
随着国产大模型DeepSeek R1在EC5000边缘计算机的成功实践，InHand AI技术团队进一步探索了其在国产计算平台上的部署方法。
本次部署的EC3000系列采用国产瑞芯微RK3588平台，其8核CPU架构（4×Cortex-A76 + 4×Cortex-A55）与6TOPS算力的NPU结合，为轻量化模型推理提供了基础硬件支撑，赋能各类AI应用场景。
在自主可控需求日益迫切的当下，如何在基于国产平台的边缘端实现大模型高效部署，已成为边缘计算领域的重要课题。
通过对模型文件进行格式转换和部署，EC3000系列边缘计算机可以成功运行DeepSeek R1蒸馏模型，并利用其内置的神经网络处理单元（NPU）进行硬件加速推理。
注意：在EC3000系列边缘计算机上通过本文的方法运行.rkllm格式的大模型，需要固件版本不低于V2.0.4。
·模型文件转换
注意：此步骤的所有操作都是在运行linux系统的PC中完成。
·获取模型文件
以DeepSeek-R1-Distill-Qwen-1.5B为例，执行以下命令：
Tips：国内用户可以使用hf-mirror或者modelscope代替huggingface，以获得更快的下载速度。
git lfs install
git clone
.
·下载RKNN-LLM工具包并安装
执行以下命令，下载rknn-llm工具包并安装rkllm-toolkit工具：
git clone
https://github.com/airockchip/rknn-llm.gitcd rknn-llm/rkllm-toolkitpip3 install
rkllm_toolkit-1.1.4-cp310-cp310-linux_x86_64.whl
注意：请根据系统的python版本选择对应的rkllm-toolkit安装文件。
·执行模型文件转换
进入目录
rknn-llm/examples/DeepSeek-R1-Distill-Qwen-1.5B_Demo/export，
使用编辑器打开文件export_rkllm.py，修改变量modelpath的值为存放前面下载的模型文件的路径。保存后，执行以下命令，等待模型文件转换完成即可。
python export_rkllm.py
转换完成后，.rkllm格式的模型文件默认放在export_rkllm.py所在目录。
·模型部署
·将相关文件下载到EC3000设备中
将前面转换后的.rkllm模型文件和rknn-llm/examples/rkllm_server_demo文件夹下载到EC3000设备中。
·运行官方LLM推理服务demo
进入rkllm_server_demo/rkllm_server目录，以DeepSeek-R1-Distill-Qwen-1.5B_W8A8_RK3588.rkllm
模型文件为例，依次执行以下面命令即可
ulimit -n 102400
python flask_server.py –rkllm_model_path /media/ssd/llm/models/DeepSeek-R1-Distill-Qwen-1.5B_W8A8_RK3588.rkllm? –target_platform rk3588
注意：/media/ssd/llm/models/DeepSeek-R1-Distill-Qwen-1.5B_W8A8_RK3588.rkllm这个参数需要根据用户自己的模型文件实际存放路径修改。
·验证模型
打开一个新的终端，进入目录rknn-llm/examples/rkllm_server_demo/，执行以下命令：
python chat_api_flask.py
命令执行后，系统将自动启动一个对话框，用户即可与DeepSeek R1蒸馏模型实时对话，如下图所示：
EC3000系列边缘计算机中，实测使用W8A8参数量化构建的DeepSeek-R1-Distill-Qwen-1.5B模型的推理速度高达15.4 tokens/s。
下表列出了EC3000系列边缘计算机对DeepSeek R1蒸馏模型的支持情况：
表中的模型文件，转换时使用的量化参数都是W8A8。
说明
除DeepSeek R1蒸馏模型外，EC3000系列边缘计算机也支持其它开源的大语言模型，运行方法类似。
此次基于EC3000系列完成DeepSeek R1蒸馏模型的本地化部署，初步验证了国产边缘计算平台在轻量化大模型推理场景中的可行性。通过模型量化与硬件架构的针对性适配，仲博·cbin官方下载验证了国产芯片架构（RK3588）在低功耗约束下实现复杂模型推理的技术路径可行性。InHand将持续推进”国产硬件+自主算法”的技术路线，为不同算力层级的边缘设备提供匹配的AI解决方案，与EC5000系列共同构建起覆盖多元场景的智能边缘计算矩阵。
