五分钟本地部署史上最强开源大模型 Llama3

Llama3的最小版本8B和70B已经全面领先其他竞争对手的开源大模型。其中70B的模型相当于GPT-4的水平，其中8B和70B都可以在个人PC上跑起来，8B就是80亿参数的模型只需要8G+的显存就可以流畅跑起来，70B就是700亿参数的模型虽然宣称需要40G+的显存，经测试在个人电脑的16G的显存上也可以跑起来，就是吐字速度慢些。​

几天前meta发布了史上最强开源大模型Llama3，要想免费使用Llama3，除了去官网 https://llama.meta.com/llama3/  在线使用外，还可以本地部署。

本地部署有多种方式，常见的有如下3种方式：

1. github仓库clone后，https://github.com/meta-llama/llama3   安装python，pip相关的包，官网在线填写个人信息申请模型下载链接

2. LL-studio

3. ollama

其中以ollama部署最为便捷和友好，部署时间可在5分钟内完成。本篇就介绍ollama本地部署llama3模型。

step1：ollama官网（https://ollama.com/download）下载ollama，有mac，windows，linux三个版本，选择适合自己机器的版本下载并安装。

图片

step2：命令行执行ollama run llama3 （默认是下载8b的模型，若要下载40b的，执行 ollama run llama3:70b）

图片

Llama3的最小版本8B和70B已经全面领先其他竞争对手的开源大模型。其中70B的模型相当于GPT-4的水平，其中8B和70B都可以在个人PC上跑起来，8B就是80亿参数的模型只需要8G+的显存就可以流畅跑起来，70B就是700亿参数的模型虽然宣称需要40G+的显存，经测试在个人电脑的16G的显存上也可以跑起来，就是吐字速度慢些。

模型下载完成后就进入命令行交互界面，这时候就可以和llama3聊天了。

step3（可选）：命令行交互毕竟没有图形化界面友好，可以任选一个界面。目前市面上的界面多如牛毛，这里以开源软件chatbox为例，https://github.com/Bin-Huang/chatbox/releases

下载安装后，进入设置，配置使用本地ollama的llama3模型，之后就可以愉快的聊天了。

图片

除了通过图形化界面和Llama3聊天外，还可以自己编程调用Llama3 的rest api，自动化让AI完成很多本地工作。

调用llama3 rest api，参考官网说明：https://github.com/ollama/ollama/blob/main/docs/api.md

curl http://localhost:11434/api/chat -d '{
  "model": "llama3",
  "messages": [
    {
      "role": "user",
      "content": "why is the sky blue?"
    }
  ],
  "stream": false
}'

图片