OllamaでDeepSeek-R1を動かす方法【推論特化モデル】

ローカルで動く推論特化モデル「DeepSeek-R1」を、Ollama で ollama pull 一行でインストールして使う方法を解説します。

結論から言うと、ollama pull deepseek-r1:1.5b でダウンロードして ollama run deepseek-r1:1.5b で動かすだけです。GPU なしの CPU 動作でも実用的に動きます。本記事は Ollama v0.30.8 を実際に動かし、REST API・CLI・Open WebUI から取得した実測データだけで書いています（2026年6月15日計測）。

目次

1. DeepSeek-R1 とは
2. モデルサイズの種類と選び方
3. 前提環境とインストール
4. モデルを pull して動かす
5. 思考プロセス（thinking）の実測
6. 推論スピードの実測結果
7. Open WebUI でブラウザから使う
8. よくあるエラーと解決策
9. まとめ

DeepSeek-R1 とは

DeepSeek-R1 は、中国の AI 企業 DeepSeek が開発した推論特化型の言語モデルです。2025年初頭の公開時に「オープンソースで高い推論性能を実現した」として一気に注目を集めました。

一番の特徴は、回答を出す前に「考えるプロセス（Chain-of-Thought）」を出力すること。数学・論理・コーディングで特に効果を発揮します。Ollama 版の deepseek-r1:1.5b は、実際には Qwen2 系をベースに DeepSeek-R1 の推論能力を蒸留（distill）した軽量モデルで、/api/show で確認すると capabilities に tools / thinking / completion が並びます。

Ollama では deepseek-r1 タグでインストールでき、1.5b〜671b まで複数のサイズが揃っています。まずは一番小さい 1.5b で動作確認するのがおすすめです。

モデルサイズの種類と選び方

Ollama ライブラリの deepseek-r1 には以下のサイズがあります。下の表のうち、本記事で実起動・検証したのは一番上の 1.5b です（他サイズはライブラリ公式のファイルサイズから算出した目安）。

まず deepseek-r1:1.5b で動作確認して、スペックに余裕があれば 7b または 14b にスケールアップするのが王道です。後述しますが、ひっかけ問題のような難しい推論を求めるなら 1.5b では力不足で、7b 以上を選ぶと精度がぐっと上がります。

前提環境とインストール

①動作確認済み環境

本記事は以下の環境で実測しています。

• Ollama バージョン：0.30.8（ollama --version / /api/version で確認）
• macOS（Apple Silicon / arm64）— Ollama アプリ版で CPU 動作
• Ubuntu 24.04.4 LTS / 22.04.5 LTS（Docker 公式イメージ）— 前提パッケージのバージョン比較
• Open WebUI v0.9.6（Docker）— ブラウザ操作の確認

Ubuntu の前提パッケージ（curl）は、Docker 公式イメージで実際に apt インストールしてバージョンを確認しました。22.04 と 24.04 で curl のバージョンが下のように違います。

②Ollama をインストールする

Linux（Ubuntu）の場合は公式インストールスクリプト一行で入ります。このスクリプトは実体を確認すると 455 行のシェルスクリプトで、Linux と macOS の両方に対応しています（コンテナで curl -fsSL 取得を実測）。

macOS の場合は Ollama 公式サイト からアプリをダウンロードしてインストールするだけです。インストール後、ターミナルで ollama --version が動けば OK です（本記事の macOS 環境では 0.30.8 でした）。

Windows の場合は公式サイトの EXE インストーラーを使うか、WSL2 上で Linux 版を使う方法があります。WSL での Ollama は で詳しく解説しています。

モデルを pull して動かす

手順1：DeepSeek-R1 をダウンロードする

Ollama が入ったら、ollama pull でモデルをダウンロードします。deepseek-r1:1.5b は約 1.1 GB（実測 1,117,322,768 バイト）なので、回線にもよりますが1〜数分で終わります。

Ollama v0.30.8 の REST API（/api/show）で確認した deepseek-r1:1.5b の詳細は下の図の通りです。コンテキスト長が 131,072 トークンと非常に長いのが特徴です。

手順2：コマンドラインで推論を実行する

ollama run でインタラクティブなチャットが始まります。実際に「12 × 8」を聞いてみた実出力が以下です。

注目してほしいのは、回答の前に Thinking... 〜 ...done thinking. という「考えるプロセス」が表示されている点です。これが推論特化モデルの核心です。面白いのは、思考の途中では一度「192」という誤った計算が出ているのに、最終回答ではきちんと 96 に修正されていること。考え直す挙動が見えるのが R1 らしいところです。

思考プロセス（thinking）の実測

ここは多くの日本語記事が古い情報のままなので、実測で正しておきます。Ollama 0.30 系では、思考プロセスは回答テキストの中に <think>...</think> タグとして混ざるのではなく、独立した thinking フィールドに分離されて返ってきます。

REST API（/api/generate）に "think": true を付けて実行すると、レスポンス JSON に thinking と response が別々のキーで入ります。"think": false にすると thinking は空になります。実際に叩いた結果が下の図です。

この例は「羊が17匹いて、9匹を残して逃げた。残りは？」というひっかけ問題です。正解は「9匹（残ったのが9匹）」ですが、1.5b は thinking の中で “all but 9” を「9匹が逃げた」と取り違えて 17 − 9 = 8 と誤答しました。日本語の「りんごが3個、2個買い足し1個食べた」問題でも 0 と誤答（正解は4個）。

1.5b は「12×8=96」のような素直な計算は正確ですが、言葉のひっかけには弱いです。思考プロセスがきれいに見えるぶん「それっぽく間違える」ので、論理問題を本気で解かせるなら 7b 以上にしましょう。1.5b は“R1 の挙動を体験する入門用”と割り切るのが正解です。

推論スピードの実測結果

稼働中の Ollama v0.30.8 の REST API（/api/generate、num_predict 400）で、同じプロンプトを3回投げて計測したスピードです。tokens/sec は eval_count ÷ eval_duration で算出しています。

結果は 3回平均 154.1 tokens/sec（最小 152.9〜最大 155.1）。Apple Silicon の CPU 動作でこの速度なら、チャット用途としては十分に快適です。1.5b は軽量なので、GPU がない普通のノートPCでもストレスなく動きます。

Open WebUI でブラウザから使う

コマンドラインだけでなく、ブラウザから ChatGPT 感覚で DeepSeek-R1 を使いたい場合は Open WebUI が最もおすすめです。Ollama と組み合わせると、ローカル完結の AI チャット環境が作れます。

Docker がある環境なら以下のコマンド一行で起動します（本記事では host.docker.internal 経由でホストの Ollama に接続して検証しました）。

起動後、ブラウザで http://localhost:3000 にアクセスします。初回はアカウント登録（管理者）を求められますが、設定によってはそのままチャット画面に入れます。

画面上部のモデルセレクターを開くと、Ollama に入っているモデルが一覧表示されます。検索ボックスに「deepseek」と打つと deepseek-r1:1.5b（1.8B） がローカルモデルとして出てくるのが確認できました。

deepseek-r1:1.5b を選ぶと、そのモデルでチャットできます。チャット欄に日本語プロンプトを入れて送信するだけです。

送信すると、回答の上に「Thought for less than a second」という折りたたみ式の思考プロセス表示が出ます。クリックすると R1 が何を考えたかを展開して読めます。下は「12×8」を計算させて 96 と正答した実画面です。

Open WebUI の詳しいセットアップは で解説しています。

よくあるエラーと解決策

①「Error: model not found」と出る

ollama pull deepseek-r1:1.5b をしていない状態で ollama run すると出ます。まず ollama list でモデルが入っているか確認し、無ければ pull してください。

②思考（thinking）が表示されない

API から思考を取りたいのに thinking が空のときは、リクエストに "think": true が付いているか確認してください。Ollama 0.30 系は think を明示しないと thinking フィールドが空になります。古い記事にある「<think> タグが response に混ざる」という説明は現行バージョンには当てはまりません。

③推論が極端に遅い（1 token/sec 以下）

RAM 不足でスワップが多発しているケースです。deepseek-r1:1.5b は最低 4 GB RAM が目安です。free -h で空きメモリを確認してください。1.5b より小さいサイズは無いため、改善しない場合はスペックアップが必要です。

④Open WebUI にモデルが出てこない（No models available）

Open WebUI コンテナからホストの Ollama に届いていないのが原因です。OLLAMA_BASE_URL を http://host.docker.internal:11434 に設定し、Ollama 側が外部接続を受けられるよう OLLAMA_HOST=0.0.0.0 で起動しているか確認してください。本記事でも最初この設定漏れでモデル一覧が空になり、接続先を直したら deepseek-r1:1.5b が表示されました。

まとめ

Ollama で DeepSeek-R1 を動かす手順をまとめます。

• インストールは Linux なら curl -fsSL https://ollama.com/install.sh | sh 一行（実環境は Ollama v0.30.8）
• ollama pull deepseek-r1:1.5b でモデル取得（1.8B / Q4_K_M / 約1.1 GB / コンテキスト長 131,072）
• ollama run deepseek-r1:1.5b で推論開始。CLI では「Thinking… / …done thinking.」で思考プロセスが見える
• API の思考は thinking フィールドに分離（think:true が必要）。inline の <think> タグではない
• 推論スピードは CPU 動作で 154.1 tokens/sec（3回平均・実測）と実用的
• 1.5b は素直な計算は正答するがひっかけ問題は誤答。本格的な推論は 7b 以上が安心
• Open WebUI と組み合わせるとブラウザから ChatGPT 感覚で利用できる

DeepSeek-R1 を常駐させて外部からも使いたい、あるいは 7b・14b を快適に動かしたい場合は、メモリの多い VPS が便利です。Vultr の東京リージョンなら低価格から始められ、必要に応じて GPU 付きプランにも切り替えられます。

VPS 各社の比較や選び方は にまとめています。Ollama の基本的な使い方やモデルの選び方は も参考にしてください。