DeepSeekをローカルで実行する方法｜推論モデルの特徴と活用法

DeepSeekは中国のAIスタートアップが開発した大規模言語モデルで、特に推論能力の高さで注目を集めています。DeepSeek-R1はChain-of-Thought（思考の連鎖）を明示的に出力する推論特化型モデルで、数学的問題解決やプログラミング、論理的分析において商用モデルに匹敵する性能を発揮します。

本記事では、DeepSeekの特徴と推論モデルの仕組み、ローカル環境での導入手順、そして中小企業での具体的な活用法を解説します。

DeepSeekとは？モデルファミリーの概要

DeepSeekは2023年に設立されたAI企業で、高性能なオープンソースLLMの開発で急速に知名度を高めました。特にDeepSeek-R1の公開は、オープンモデルの推論能力における大きなブレークスルーとして業界に衝撃を与えました。

DeepSeekの主なモデル

モデル名	パラメータ数	特徴	ライセンス
DeepSeek-R1	671B（MoE）	推論特化のフラッグシップモデル	MIT
DeepSeek-R1-Distill-Qwen-32B	32B	R1の推論能力を蒸留した高性能モデル	MIT
DeepSeek-R1-Distill-Qwen-14B	14B	バランス型の蒸留モデル	MIT
DeepSeek-R1-Distill-Qwen-7B	7B	軽量な蒸留モデル	MIT
DeepSeek-R1-Distill-Llama-8B	8B	Llamaベースの蒸留モデル	MIT
DeepSeek-R1-Distill-Qwen-1.5B	1.5B	超軽量蒸留モデル	MIT

すべてのモデルがMITライセンスで公開されており、商用利用を含めて自由に使用できます。これは中小企業にとって大きな利点です。

DeepSeek-R1の推論能力：Chain-of-Thoughtとは

DeepSeek-R1の最大の特徴は、Chain-of-Thought（CoT：思考の連鎖）推論を明示的に出力する点です。これは、最終的な回答を出す前に、モデルが「考える過程」をステップバイステップで出力する手法です。

通常のLLMとの違い

通常のLLMは質問に対して直接回答を生成しますが、DeepSeek-R1は以下のような流れで処理します。

1. 問題の理解：質問の意図や条件を整理
2. 思考プロセス：<think>タグ内で段階的な推論を展開
3. 検証：自分の推論が正しいかをチェック
4. 最終回答：思考の結果をまとめて出力

この仕組みにより、単純な知識の引き出しではなく、複雑な問題を論理的に分解して解決する能力が飛躍的に向上しています。

推論能力が活きる場面

• 数学的問題：複雑な計算や数式の導出
• プログラミング：アルゴリズムの設計、バグの特定と修正
• 論理パズル：条件分岐を含む複雑な問題の解決
• ビジネス分析：データの傾向分析や戦略的思考
• 法的・契約書の分析：条項の整理と矛盾点の特定

ローカル実行に必要なハードウェア

DeepSeek-R1のフルモデル（671B MoE）はVRAM要件が非常に高いため、中小企業では蒸留モデルの利用が現実的です。ハードウェアの選び方を以下にまとめます。

モデル	必要VRAM（4bit量子化）	推奨GPU	備考
R1-Distill 1.5B	約2GB	GTX 1660以上	エントリー向け
R1-Distill 7B	約5GB	RTX 3060以上	バランス良好
R1-Distill 14B	約9GB	RTX 3080/4070以上	高品質な推論
R1-Distill 32B	約20GB	RTX 3090/4090	最高品質の蒸留モデル
R1 671B（フル）	約320GB	複数A100/H100	企業サーバー向け

中小企業には7Bまたは14Bの蒸留モデルがおすすめです。コストパフォーマンスに優れ、一般的なゲーミングPCクラスのGPUで十分に動作します。

Ollamaを使ったDeepSeekの導入手順

Ollamaで最も手軽にDeepSeekを導入する手順を解説します。

手順1：Ollamaのインストール

# Linux/macOS
curl -fsSL https://ollama.com/install.sh | sh

# バージョン確認
ollama --version

手順2：DeepSeek-R1のダウンロードと実行

# 7Bの蒸留モデル（推奨：8GB VRAM）
ollama run deepseek-r1:7b

# 14Bの蒸留モデル（推奨：12GB VRAM）
ollama run deepseek-r1:14b

# 32Bの蒸留モデル（推奨：24GB VRAM）
ollama run deepseek-r1:32b

# 1.5Bの軽量モデル（軽量環境向け）
ollama run deepseek-r1:1.5b

手順3：推論モードの動作確認

DeepSeek-R1では、推論時に<think>タグで思考過程が表示されます。以下のような質問で推論能力を確認してみましょう。

>>> 3つの箱があります。箱Aには赤い玉が2つ、箱Bには青い玉が3つ、
箱Cには赤い玉1つと青い玉1つが入っています。箱Cから1つ取り出したら
赤い玉でした。残りの玉が青い確率はいくつですか？

正常に動作していれば、<think>タグ内に詳細な推論過程が表示され、その後に最終回答が出力されます。この思考過程の可視化が、回答の信頼性を判断するうえで非常に有用です。

LM StudioとOpen WebUIでの利用

LM Studioでの導入

LM StudioでDeepSeek-R1を使うには、アプリ内の検索バーで「deepseek-r1」を検索し、GGUF形式の量子化モデルをダウンロードします。GUIでtemperatureやmax_tokensなどのパラメータを調整できるため、推論の深さや応答の長さを手軽にコントロールできます。

Open WebUIでの利用

Open WebUIと組み合わせれば、ブラウザベースのチャットUIでDeepSeekを利用できます。思考過程の<think>タグも適切にフォーマットされて表示されるため、推論プロセスの確認が容易です。

DeepSeekの業務活用シーン

DeepSeek-R1の推論能力を活かした、中小企業での具体的な活用法を紹介します。

1. データ分析と意思決定支援

売上データや顧客データの傾向分析において、DeepSeek-R1は段階的な思考で精度の高い分析結果を提供します。「なぜその結論に至ったか」が思考過程として出力されるため、経営判断の根拠として活用しやすいのが特徴です。

2. プログラミング・コーディング支援

コーディングアシスタントとしてDeepSeekは高い評価を得ています。バグの原因特定、アルゴリズムの最適化、コードリファクタリングなど、論理的思考が求められるプログラミングタスクに強みがあります。

>>> 以下のPythonコードのバグを見つけて修正してください。
>>> また、パフォーマンスを改善する方法も提案してください。
>>> [コードを貼り付け]

3. 契約書・法務文書のレビュー

契約書の条項を分析し、矛盾点やリスクのある条項を指摘する用途に活用できます。推論過程が可視化されるため、AIがどの条項に注目してどのように判断したかを確認しやすくなっています。

ただし、法的な最終判断は必ず専門家に相談してください。AIはあくまで補助ツールとしての位置づけです。

4. 業務プロセスの改善提案

現在の業務フローの問題点を整理し、改善案を論理的に提案させることができます。業務改善の事例と組み合わせて活用するとより効果的です。

5. 教育・トレーニング用途

推論過程が可視化されるため、新入社員のトレーニングや社内勉強会での教材作成に役立ちます。「なぜそうなるのか」を段階的に説明してくれるため、学習教材としての価値が高いです。

DeepSeekの日本語性能と注意点

DeepSeekは英語やコーディングに強い一方、日本語については以下の点に注意が必要です。

日本語での注意点

• 思考過程が英語になることがある：<think>タグ内の推論が英語で出力される場合がある。最終回答は日本語で出力されるが、思考過程を確認したい場合は注意が必要
• 敬語表現がやや不自然な場合がある：ビジネス文書の品質ではQwen3に劣ることがある
• 日本固有の文化的文脈の理解：日本特有のビジネス慣習への理解は限定的

日本語性能を最大化するコツ

• プロンプトで「日本語で回答してください」と明示する
• 蒸留モデルの中ではQwenベースのモデル（Distill-Qwen）を選ぶと日本語品質が安定する
• 複雑な分析は日本語、コーディングは英語で指示すると精度が上がる

日本語の文書作成が主な用途であればQwen3、推論やコーディングが中心であればDeepSeekという使い分けがおすすめです。モデル比較記事も参考にしてください。

パフォーマンス最適化と運用のコツ

DeepSeek-R1をローカルで快適に運用するためのヒントを紹介します。

推論時間の管理

Chain-of-Thought推論は通常のLLMより応答に時間がかかります。特に複雑な問題では思考過程が長くなり、数十秒〜数分かかることもあります。以下の方法で対処できます。

• max_tokensの制限：思考過程の長さに上限を設けることで応答時間を制御
• 用途に応じたモデル使い分け：単純な質問には通常のLLMを、推論が必要なタスクにはDeepSeekを使う
• バッチ処理の活用：急ぎでないタスクはバッチ処理で実行する

メモリ管理

# Ollamaでコンテキスト長を制限してVRAM使用量を抑える
ollama run deepseek-r1:7b --num-ctx 4096

# GPU使用状況の監視
watch -n 1 nvidia-smi

パフォーマンス最適化の詳細については別記事で解説しています。

まとめ：推論力を求めるならDeepSeek-R1

DeepSeek-R1は、論理的思考や分析が求められるタスクにおいて、ローカルLLMの中で突出した性能を持つモデルです。中小企業での活用ポイントをまとめます。

• 推論特化型：Chain-of-Thought推論で複雑な問題を段階的に解決
• MITライセンス：商用利用を含めて完全に自由に使用可能
• 蒸留モデルが充実：7B〜32Bまで、中小企業のハードウェアで動作する選択肢が豊富
• 思考過程の可視化：AIの判断根拠を確認でき、信頼性の検証が容易
• コーディング能力が高い：開発チームの生産性向上に直結

日本語業務と推論タスクのバランスを取るなら、日常的な文書作成にはQwen3、分析やコーディングにはDeepSeek-R1という組み合わせが最適です。Ollamaを使えば複数モデルの併用も簡単にできますので、ぜひ両方を試して自社に最適な運用スタイルを見つけてください。