使用 llama.cpp 在 Windows 11 上运行 Qwen2.5 和 DeepSeek 模型：从环境搭建到 GPU 加速的完整指南

引言

llama.cpp vs Ollama：为什么选择 llama.cpp？

1. 灵活性与控制力

• llama.cpp：

  • 完全开源，你可以根据自己的需求修改代码，甚至优化性能。
  • 支持多种硬件后端（CPU、CUDA、Metal、Vulkan 等），适合需要深度定制的场景。
  • 可以自由选择模型、量化方案和运行参数，灵活性极高。

• Ollama：

  • 更偏向于开箱即用，适合不想折腾的用户。
  • 灵活性较低，无法深度定制模型或优化性能。

2. 性能优化

• llama.cpp：
  • 支持多种量化方案（如 Q4_K_M、Q5_K_M），显著减少显存占用并提升运行速度。
  • 支持 CPU+GPU 混合推理，即使显存不足也能运行大模型。
  • 通过 SIMD 指令集（如 AVX2、AVX512）和 GPU 加速，性能极致优化。
• Ollama：
  • 性能优化较为保守，主要依赖 CPU 运行，GPU 支持有限。
  • 量化选项较少，无法针对特定硬件进行深度优化。

3. 多平台支持

• llama.cpp：
  • 支持 Windows、Linux、macOS 等多种操作系统。
  • 支持多种硬件架构（x86、ARM、Apple Silicon 等）。
• Ollama：
  • 主要面向 macOS 和 Linux，Windows 支持较弱。
  • 硬件兼容性较低，尤其是对 GPU 的支持。

4. 适用场景

• llama.cpp：
  • 适合开发者、研究人员和技术爱好者，需要深度定制和优化性能的场景。
  • 适合需要运行特定模型（如 Qwen2.5、DeepSeek）或进行模型实验的用户。
• Ollama：
  • 适合普通用户，希望快速上手并使用预置模型。
  • 适合不需要深度定制或性能优化的场景。

5. 学习与探索

• llama.cpp：
  • 通过手动配置和调试，你可以深入了解大模型的运行机制和优化方法。
  • 适合想要学习底层技术或进行二次开发的用户。
• Ollama：
  • 更注重用户体验，适合不想深入技术细节的用户。

1. 环境准备

• 1.1 系统要求：
  • Windows 11、Visual Studio 2022、CMake、CUDA（可选）。
• 1.2 安装依赖：
  • 安装 Git、CMake、Visual Studio 2022（确保勾选 C++ 开发工具）。
  • 安装 CUDA（如果需要 GPU 加速）。

2. 编译 llama.cpp

• 2.1 克隆仓库：

  git clone https://github.com/ggerganov/llama.cpp
  cd llama.cpp
  

• 2.2 使用 CMake 生成项目：
  • CPU 版本：

  cmake .. -G "Visual Studio 17 2022" -A x64
  

  • GPU 版本（CUDA）：

  cmake .. -G "Visual Studio 17 2022" -A x64 -DGGML_CUDA=ON
  

• 2.3 编译项目：

  cmake --build . --config Release
  

3. 获取和转换模型

• 3.1 下载 Qwen2.5 和 DeepSeek 模型：
  • 从 Hugging Face 下载模型权重。
• 3.2 转换模型为 GGUF 格式：
  • 使用 convert-hf-to-gguf.py 脚本：

  python convert-hf-to-gguf.py Qwen/Qwen2.5-7B-Instruct --outfile qwen2.5-7b-instruct-f16.gguf
  

  • 量化模型（可选）：

  ./llama-quantize qwen2.5-7b-instruct-f16.gguf qwen2.5-7b-instruct-q5_k_m.gguf q5_k_m
  

4. 运行模型

• 4.1 运行 Qwen2.5 模型：

  ./llama-cli -m qwen2.5-7b-instruct-q5_k_m.gguf -ngl 80 -n 512
  

• 4.2 运行 DeepSeek 模型：

  ./llama-cli -m deepseek-7b-q5_k_m.gguf -ngl 80 -n 512
  

• 4.3 调整参数：
  • –temp：控制生成内容的随机性（默认 0.8）。
  • -top_k 和 -top_p：控制生成内容的多样性。
  • -ngl：调整分配到 GPU 的层数（根据显存大小调整）。

5. 踩坑与解决方案

• 5.1 CMake 缓存冲突：
  • 解决方法：删除 CMakeCache.txt 和 CMakeFiles 目录，或创建新的构建目录。
• 5.2 CUDA 支持问题：
  • 解决方法：确保 CUDA 已安装，并设置正确的环境变量。
• 5.3 模型分片文件合并：
  • 解决方法：使用 copy 或 cat 命令合并分片文件。

6. 性能优化

• 6.1 GPU 加速：
  • 使用 -ngl 参数将模型层分配到 GPU。
• 6.2 量化模型：
  • 使用 llama-quantize 工具减少显存占用。
• 6.3 多线程优化：
  • 调整 -t 参数，充分利用 CPU 多线程。

7. 成果展示

• 7.1 Qwen2.5 对话示例：

8. 总结

llama.cpp 是一个强大而灵活的工具，专为对性能和控制力有极高要求的用户设计。尽管初次使用时可能会遇到一些挑战，但通过不断探索和解决问题，你将能够充分释放它的潜力，体验到在本地运行大模型的无限乐趣！🚀

当然，本文仅为抛砖引玉。如果你有更好的见解或独特的使用技巧，欢迎在评论区留言分享！同时，也鼓励大家尝试不同的模型，看看能否碰撞出更多精彩的火花！🌟

附录

参考链接：

• Qwen - llama.cpp
• llama.cpp GitHub
• Hugging Face Qwen2.5
• Hugging Face DeepSeek