通过 Modelfile 修改 Ollama 部署的 DeepSeek R1 约束条件以抑制逻辑幻觉

DeepSeek R1 在本地环境下通过 Ollama 运行时，常会遇到逻辑陷入死循环或在特定领域知识上产生“幻觉”的问题。如果仅仅在对话框中输入 System Prompt，这种约束在长文本对话中极易被模型自身的推理链（CoT）冲淡。更为稳妥的解决方案是直接修改 Modelfile，将约束逻辑写入模型定义层。

通过对原版 R1 与自定义 Modelfile 版本进行实测对比发现，在处理复杂代码逻辑时，原版模型有时会为了补全推理步骤而虚构 API 参数；而通过 Modelfile 强制注入“若不确定则承认未知”的指令后，幻觉现象得到了显著改善。

具体实施步骤是先新建一个名为 Modelfile 的文件，并填入以下配置：

FROM deepseek-r1:32b

## 如何通过参数设置抑制模型随机性

# 通过降低 temperature 来抑制随机性，这是减少幻觉的关键
PARAMETER temperature 0.6
PARAMETER top_p 0.9

# 写入强制性的推理行为约束
SYSTEM """
你是一个严谨的技术专家。在回答时必须遵循以下准则：
1. 所有的技术结论必须基于事实，禁止虚构库函数或 API 参数。
2. 如果面对不确定的信息，必须直接说明“我不确定”，而不是尝试猜测。
3. 保持推理链（<think>标签内）的简洁，避免重复循环论证。
4. 回答代码时，必须确保语法正确且可运行。
"""

完成保存后，利用以下命令构建新模型：

ollama create ds-r1-optimized -f Modelfile

实测对比反馈：

原版模型在冷门知识上为何会虚构答案

原版 deepseek-r1：
在查询某个冷门库的特定版本 Bug 时，模型会在 <think> 阶段进行长时间的自我纠结，最终产出一个逻辑看似通顺、实则在文档中并不存在的错误解决方法。

优化后的 ds-r1-optimized：
它在推理过程中能迅速识别出该信息权重的不足，并直接回复：“在当前文档中未找到该版本的具体 Bug 记录，建议查阅官方 Release Note”，虽然没有给出直接答案，但杜绝了误导。

优缺点分析：

Modelfile 优化方案的利弊是什么

Modelfile 优化方案：
其优势在于约束是全局生效的，无需在每次对话时重复输入，且通过降低 temperature 参数能有效压制 R1 过度发散的推理倾向。缺点则是过于严厉的约束可能会削弱模型的“灵气”，在创意写作等场景下表现得较为死板。

直接对话引导为何难以持久生效

直接对话引导方案：
这种方式比较灵活，但随着 Token 数量的增加，模型很容易遗忘初始的约束条件，导致对话后期重新出现幻觉。

针对追求高生产力、要求结果精准的技术用户，建议直接采用 Modelfile 来锁定一个低温度、高约束的专用版本。