想用低成本打造專業醫療聊天機器人嗎？本篇聚焦 DeepSeek R1 的實戰微調與實作經驗。以8B參數的 DeepSeek R1 distill 版本為基礎，採用LoRA低秩適配，在醫療推理資料集上提升穩定性與準確性；結合4-bit量化，大幅降低記憶體與成本。並展示在Kaggle免費GPU（約每月30小時）環境中，搭配Hugging Face與Weights & Biases的完整流程與追蹤方法，完成實際微調與效果評估。

核心亮點與可複製要點包括：第一手實作流程、專為醫療推理設計的資料集與設定、以及在非巨量算力下仍能獲得良好推理表現的關鍵技巧。若你想快速理解背後的直覺與步驟，而非艱深數學，這篇文章將是你的實務指南。

本篇揭露 DeepSeek 的核心訊息與第一手體驗：R1 開源模型，6710 億參數、128 千 token 上下文，具備 chain‑of‑thought 推理，表現接近 GPT‑4。訓練約六百萬美元，推理約每百萬 token 0.14 美元，採 Mixture of Experts，成本低、可在低階硬件佈署。