当前，越来越多的开发者投入到大模型开发中，其中面临一个比较大的痛点就是如何让模型运行在本地电脑上，这通常来自两个使用场景，一是方便在离线状态下进行大模型应用开发调试，另一个是能够开发一些不依赖于网络的本地化大模型应用。当前比较出名的有两个产品Ollama和LMstudio。
ollama是笔者很看好的一个开源项目，它的理念比较新颖，对于熟悉docker的开发者能够很自然的上手，在之前探秘大模型应用开发中就对其做了介绍，延伸阅读：一文探秘LLM应用开发(17)-模型部署与推理(框架工具-ggml、mlc-llm、ollama)。该项目发展迅速，之前笔者发稿时还是个小众项目，现在已经成为开发者主流本地运行时，斩获46k star，社区生态活跃，基本上一有新的模型发布，就有开发者第一时间为ollama适配。
2）可查看本地托管的模型。类似于docker images。
3）运行本地模型。
它是一个更加低门槛的产品，整个模型运行管理都可以界面化操作。相较于ollama来讲，LMStudio定位是一个功能全面的闭源平台，拥有一系列强大的特性和简单易用的操作界面，提供了一套完整的工具组合，用于训练、评估和部署模型，既适合科研也适合实际应用环境。适合大部分人，特别是初学者或者非技术人员使用。
| 优势
| 劣势
| |
| - 提供了一系列广泛的预训练模型：由于模型种类和构架的多样性，用户能根据其需求挑选到最合适的模型。- 灵活的微调选择：用户可以利用自定义数据集对预训练模型进行微调，使其更适合特定的任务和领域，加快原型的研制和实验。- 便捷的协作功能：Ollama 支持团队成员之间合作，能够无缝地共享模型、数据集和实验成果。 | - 定制选项有限：虽有多个预训练模型可供选择，但用户可能会在模型架构或训练模式的个性化上有所局限。- 成本问题：根据使用量和资源需求的不同，使用 Ollama 的成本也会出现变化，因此在价格上需要精心评估以保证性价比。 | 适合习惯使用命令行界面的开发者和技术熟练者的理想选择，是探索不同大型语言模型和微调特殊任务模型的完美工具。 |
| - 先进的模型训练功能：它允许广泛定制模型训练，包括支持分布式训练、调整超参数以及模型优化，使用户能够获得行业领先水平的性能。- 易扩展和高效表现：LM Studio 设计用来高效地处理大规模模型训练和部署工作，能够利用云基础设施和并行处理技术，加速模型训练和处理速度。- 与云服务的无缝整合：LM Studio 可以轻松地与各种云服务和平台整合，让用户在模型的开发和部署上拥有更多资源和功能。 | - 完全掌握较难：因为拥有大量高级功能和强大能力，虽然上手容易，但要完全精通很难。- 资源要求高：在 LM Studio 构建和训练复杂模型可能需要颇多的计算资源和专业技能，对于难以获得高性能计算设备的用户来说可能是一个障碍。 | 对包括非技术用户在内的所有人使用都更为简单，提供了一个可视化界面帮助管理模型、任务和结果输出。特别适用于创意写作、生成不同文本格式和探索模型的多元特性。 |
结论：
在选择 Ollama 和 LM Studio 时，应根据专业技能、预算和具体需求来判断。
- 对于开发者：Ollama 开放源代码的特性、效率高和可定制化性使其成为尝试和微调创意的理想选项。
- 对于初学者和普通用户：LM Studio 的用户友好界面、预训练模型和多样的功能提供了一个基础起点，适合进行创意性探索和多样化文本生成。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
