近期，Qwen2系列模型家族发布了系列GGUF格式模型。通过llama.cpp/Ollama等生态的发展，很多大语言模型都支持GGUF格式，极大地简化了大语言模型的应用流程，让即便是模型领域的初学者，只有一台CPU笔记本，也能轻松上手顶尖的AI技术。我们希望分析GGUF模型的使用方式，并逐一介绍当下主流的生态系统工具（llama.cpp，Ollama， lmstudio， Open-Webui），从下载、解析到部署运行，全方位解锁GGUF模型的便捷玩法，帮助开发者丝滑的体验最新的大模型技术。
GGUF通常可以通过单模型文件完成推理，魔搭社区可以通过命令行CLI，Python SDK，页面下载等多个方式下载单个模型。
命令行CLI下载
使用ModelScope命令行工具下载单个模型，以Qwen2-7B的GGUF格式为例：
modelscope download --model=qwen/Qwen2-7B-Instruct-GGUF --local_dir . qwen2-7b-instruct-q8_0.gguf
Python SDK下载
from modelscope.hub.file_download import model_file_downloadmodel_dir = model_file_download(model_id='qwen/Qwen2-7B-Instruct-GGUF',file_path='qwen2-7b-instruct-q8_0.gguf')
页面下载
本文主要介绍llama.cpp， ollama，LM Studio三个工具，以下是比较不同工具的总结图。我根据自己的快速主观体验做了一些星级评定——希望这对您的比较有所帮助。
UI | 文件上传（RAG） | 命令行 | 页面友好度 | 安装友好度 | 是否开源 | |
llama.cpp | 支持 | 不支持 | 支持 | 友好 | 是 | |
Ollama | 需要额外安装Open-WebUI | Open-WebUI支持 | 支持 | 命令行友好/WebUI一般 | 是 | |
LM Studio | 支持 | 不支持 | 支持 | 非常友好 | 否 |
llama.cpp
环境安装
git clone https://github.com/ggerganov/llama.cpp.gitcd llama.cppmake -j# GPU机型需要cuda加速推理build# make -j LLAMA_CUDA=1
模型推理
要运行 Qwen2，您可以使用 llama-cli（主程序）或 llama-server（主程序）。建议使用 llama-server，因为它简单且与 OpenAI API 兼容。例如：
./llama-server -m /mnt/workspace/qwen2-7b-instruct-q8_0.gguf -ngl 28 -fa
更多参数说明可参照官方文档：https://github.com/ggerganov/llama.cpp/blob/master/examples/server/README.md
接口调用
然后就可以很容易地使用 OpenAI API 访问已部署的服务：
import openaiclient = openai.OpenAI(base_url="http://127.0.0.1:8080/v1",api_key = "sk-no-key-required")completion = client.chat.completions.create(model="qwen", # model name can be chosen arbitrarilymessages=[{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "tell me something about michael jordan"}])print(completion.choices[0].message.content)
CLI调用
使用 llama-cli，ChatML 模板中 -cml 已被删除。改用 --in-prefix 和 --in-suffix 来解决此问题。
./llama-cli -m qwen2-7b-instruct-q5_k_m.gguf \-n 512 -co -i -if -f prompts/chat-with-qwen.txt \--in-prefix "<|im_start|>user\n" \--in-suffix "<|im_end|>\n<|im_start|>assistant\n" \-ngl 24 -fa
Webui访问
在浏览器中输入：http://127.0.0.1:8080
Ollama
Ollama 是一款极其简单的基于命令行的工具，用于运行 LLM。它非常容易上手，可用于构建 AI 应用程序。
本文使用Ollama Modelfile，结合魔搭ModelScope社区CLI模型下载，并分别在魔搭Notebook环境和Mac环境几行代码轻松体验大语言模型。
Linux环境使用
Liunx用户可使用魔搭镜像环境安装【推荐】
git clone https://www.modelscope.cn/modelscope/ollama-linux.gitcd ollama-linuxsudo chmod 777 ./ollama-modelscope-install.sh./ollama-modelscope-install.sh
启动Ollama服务
ollama serve
创建ModelFile
复制模型路径，创建名为“ModelFile”的meta文件，内容如下：
FROM /mnt/workspace/qwen2-7b-instruct-q8_0.gguf# set the temperature to 0.7 [higher is more creative, lower is more coherent]PARAMETER temperature 0.7PARAMETER top_p 0.8PARAMETER repeat_penalty 1.05TEMPLATE """{{ if and .First .System }}<|im_start|>system{{ .System }}<|im_end|>{{ end }}<|im_start|>user{{ .Prompt }}<|im_end|><|im_start|>assistant{{ .Response }}"""# set the system messageSYSTEM """You are a helpful assistant."""
创建自定义模型
使用ollama create命令创建自定义模型
ollama create myqwen2 --file ./ModelFile
通过使用 ollama list 列出可用模型来验证自定义模型的创建。
运行模型：
ollama run myqwen2
测试自定义模型，使用终端与您的自定义模型聊天，以确保其行为符合预期。验证它是否根据自定义的系统提示和模板做出响应。
显存占用：
Mac环境安装
在官网下载Mac安装包，并解压安装，启动Ollama服务
模型下载并使用Ollama创建推理
下载和创建推理和上文一致，我们在Mac上创建一个myqwen2的模型并通过Ollama运行。
本地安装Open WebUI并体验
环境要求：
? Node.js >= 20.10
? Python >= 3.11（建议最好用3.11版本）
conda create --name webui python=3.11conda activate webuiconda config --add channels conda-forgeconda install nodejs
下载安装open-webui并运行
git clone https://github.com/open-webui/open-webui.gitcd open-webui/# Copying required .env filecp -RPp .env.example .env# Building Frontend Using Nodenpm inpm run build# Serving Frontend with the Backendcd ./backendpip install -r requirements.txt -Ubash start.sh
打开本地运行的webUI地址0.0.0.0:8080就可以体验啦！
LM Studio
LM Studio 有一个不错的 GUI，可用于与 LLM 交互。LM Studio是唯一一个非开源的项目，但可以免费下载。
下载链接:
https://lmstudio.ai/
模型gguf文件在魔搭社区下载的时候，设置保存路径为：~/.cache/lm-studio/models/Publisher/Repository/，就可以被LMStudio加载。
对话UI 如下所示：
模型管理界面：
LM Studio 包括Open-Webui，Llama.cpp UI还在底部显示了 token 生成速度，在M1芯片上，0.5B的Qwen2这个模型速度是58.73tok/s
