如今，“AI手机”是一个趋势，集成AI的手机功能更多，娱乐性更强。目前小米、vivo均已经宣称在他们的新旗舰版手机上集成了LLM，不过具体效果我还没有体验过。那我们是否可以不换新手机，在自己原来的手机上部署LLM呢？
在本文中，我将展示如何在一部 Android 手机上运行 LLaMA 和 Gemma（Google发布的LLM）大语言模型，在所有测试中，所有模型都将在本地运行，不需要云 API 或付费。
Termux
第一个组件是 Termux[1]，这是一个成熟的 Linux 终端，为 Android 应用制作。它是免费的，不需要root访问权限。Termux 可以从 Google Play[2] 下载，但在撰写本文时，该版本已经很旧了，并且 Termux 中的“pkg update”命令不再起作用。较新版本在 F-Droid[3] 网站上以 APK 形式提供，建议下载该较新版本。当 Termux 安装在安卓手机上时，我们可以运行它并在手机上看到一个标准的 Linux 命令行界面：
理论上讲，我们可以直接在手机上输入所有命令，但是在小键盘上打字很不方便。所以我们选择通过pkg update的方法，安装 SSH：
pkg pkg upgrade pkg install openssh
之后，我们可以在 Termux 中启动 SSH程序。获取用户名并设置 SSH 密码：
sshd passwd ...
现在，我们可以使用任何 SSH 客户端连接到手机（包括我们的电脑）：
ssh - u0_a461.168.100.101
在这里，8022 是默认的 Termux SSH 端口，“u0_a461”是我们从“whoami”命令中获取的用户名，“192.168.100.101”是本地 Wi-Fi 网络中手机的 IP 地址。连接完成后，我们就可以测试不同的 LLM。下面显示的所有命令都通过手机上的 SSH 执行。
Llama.CPP
第一个引入的项目是Llama.CPP[4]，它非常适合在不同的硬件上测试 LLM。Llama.CPP几乎可以在任何地方工作——CPU、CUDA 或 Apple 芯片上。原始Llama.CPP是用 C++ 编写的，但我将使用 Python 库，它更容易使用。安装所需的软件包和库：
pkg install tur-repo libopenblas libandroid-execinfo ninja binutils pkg install python3 python-numpy build-essential cmake clang git pip3 install llama-cpp-python huggingface-hub
对于第一次测试，使用 LLaMA 7B 模型，从huggingface上下载它：
huggingface-cli download TheBloke/Llama--B-Chat-GGUF llama--b-chat.Q4_K_M.gguf ---dir . ---dir--symlinks False
载入模型并调用它做出回复：
llama_cpp Llama llm = Llama(model_path=, n_gpu_layers=, n_ctx=, echo=) question = () template = stream = llm(template, stream=, max_tokens=, temperature=) output stream: (output[][][], end=)
这里，n_gpu_layers这个参数设置为 0，因为在安卓手机中，我们没有 GPU。在手机上运行代码之前，我在 Google Colab中预估了LLaMA 7B运行需要消耗的内存：资源消耗大约2.5G左右
从资源消耗的问题上，LLaMA 7B几乎可以在每部具有 4-6 GB RAM 的手机上运行。下一个大问题是速度，我很担心LLaMA 7B在手机上的运行效率，但在手机上运行之后，它的回复速度并不慢！这是一个未经剪辑的视频，显示了真实速度：
Llama.CPP对内存利用做了优化：它不会在 RAM 中加载完整LLM：我们甚至可以在智能手机上运行 70B 模型（其文件大小约为 40 GB！相同答案的推理时间约为 15 分钟）（作为参考，GPT 3.5 模型有 175B 参数）。这是非常惊人的，因为我们一直认为这样的LLM推理需要大量的GPU集群。
现在，让我们测试另一个模型：Gemma 。
Gemma.CPP
Gemma 是目前（2024.3.9之前）最新的大型语言模型之一;它由 Google 于 2024 年 2 月推出。这个模型很有意思：
据谷歌称，Gemma 型号为其尺寸提供了最先进的性能。例如，在 MMLU（大规模多任务语言理解）基准测试中，Gemma 7B 优于 LLaMA2 13B（64.3 vs 54.8 分），而 Gemma 2B 模型仅比 LLaMA 7B 稍差（42.3 vs 45.3 分）。
与 7B 型号相比，2B 型号的推理速度应该快得多，这对移动设备至关重要。
Gemini 的许可证允许作为商业用途，Gemma.CPP客户端是用 C++ 编写的。这允许移动开发人员在 Android Studio 或 XCode 中将其构建为库，并在智能手机应用程序中使用此模型。
与 LLaMA 一样，我将在安卓手机上使用 Termux 控制台。首先，我们需要下载并安装Gemma.CPP：
pkg install wget cmake git clang python3 wget https://github.com/google/gemma.cpp/archive/refs/tags/v0.1.0.tar.gz tar -xvzf v0.1.0.tar.gz gemma.cpp-0.1.0 build cmake .. make -j4 gemma ../../
要访问模型，我们需要登录 Kaggle，转到模型页面（Gemma | Kaggle[5]），并接受许可协议，可以手动将模型文件复制到智能手机，但 Kagglehub Python 库提供了一种更方便的方法：
首先，安装软件包kagglehub ：
pip3 install packaging kagglehub
接下来，下载模型，并在智能手机上运行它：
import , kagglehub .environ[] = .environ[] = model_path = kagglehub.model_download() (, model_path)
KAGGLE_USERNAME和KAGGLE_KEY参数可以Kagge 设置选项中生成，是免费的。下载完成后，我们将得到路径，类似于“/data/data/com.termux/.../gemmaCpp/2b-it-sfp/2”。
现在，制作一个运行推理的 shell 脚本：
model_pathdatacom.termuxhomekagglehubgooglegemmaCpp gemma.cpp.gemma model 2bit tokenizer 2bitsfp.sbs
最后，运行脚本。输出如下所示：
它确实比 LLaMA 7B快，结果也较为准确。7B 和 2B 型号LLM的 RAM 消耗分别为 9.9 GB 和 4.1 GB。
结论
我们测试了Llama.CPP和Gemma.CPP开源项目，并能够在 Android 智能手机上运行 2B、7B 甚至 70B 参数的dayu模型。
在目前（2024年），即使是千元机也有大约 8 GB 的 RAM 和 256 GB 的存储空间，因此 2 GB的LLM几乎可以在每部现代的手机上运行，而不需要是顶配手机。
从开发的角度来看，Llama.CPP 和 Gemma.CPP 项目都是用 C++ 编写的，没有外部依赖关系，并且可以使用 Android 或 iOS 应用程序进行本机编译，这对于demo演示、项目的快速上线都是非常友好的。
