前言

国内访问 chatgpt 太麻烦了，还是本地自己搭一个比较快，也方便后续修改微调啥的。

之前 llama 刚出来的时候在 mac 上试了下，也在 windows 上用 conda 折腾过，环境配置步骤太多，都没跑起来。最近网上看到有预编译的，对环境要求降低了非常多，所以早上试了下，终于跑起来了。

使用平台

系统：windows 10

硬件：i5 12400F + 32GB 内存 + RTX 3090 显卡

具体步骤

主要参考 https://pa.ci/248.html 。基本上使用的都是已经预编译好的软件，不用特别折腾环境配置。

因为用了 nvidia 的显卡，而且 cpu 本身也不强，所以主要配置为 gpu 加速为主

下载 cuda

直接到 https://developer.nvidia.com/cuda-downloads 下载对应自己系统的安装文件即可。

下载预编译 llama.cpp 软件

到 https://github.com/ggerganov/llama.cpp/releases ，下载 cuda 12 版本。下载完毕后，解压到一个文件夹里。我这里用的文件夹名字为 llama-bin-win-cuba-x64 ，下面也都用这个路径。

创建 prompt 文件

把 https://raw.githubusercontent.com/ggerganov/llama.cpp/master/prompts/chat-with-bob.txt 下载到 llama-bin-win-cuba-x64 根目录

下载量化模型

结合硬件配置，我用的是 13b 的模型 llama-2-13b-chat.Q5_K_M 。大家可以参考 https://pa.ci/248.html 选择合适自己的。

这里要注意，目前是无法直接访问 huggingface.co 网站的，我用的是 https://hf-mirror.com/ 镜像站点来解决。下载上面这个模型不需要 token 验证，所以可以直接打开 https://hf-mirror.com/TheBloke/Llama-2-13B-chat-GGUF/blob/main/llama-2-13b-chat.Q5_K_M.gguf ，点击 download 按钮直接下载

运行模型

在终端中打开 llama-bin-win-cuba-x64 目录，运行如下命令（模型 gguf 文件名，记得替换成自己用的）

.\main.exe -m .\llama-2-13b-chat.Q5_K_M.gguf -n -1 --repeat_penalty 1.0 --color -i -r "User:" -f .\chat-with-bob.txt  --n-gpu-layers 1

注意，最后的 --n-gpu-layers 1 表示第一层让 gpu 计算，剩下给 cpu。运行后，会出现类似下面内容：

其中 llm_load_tensors: offloaded 1/41 layers to GPU ，说明一共有 41 层，gpu 运行第 1 层。后续想全部给 gpu 运行，把命令里的 --n-gpu-layers 1 改为 --n-gpu-layers 41 即可。

推荐大家可以尽量用 gpu 加速，运行速度比 cpu 快不少。

运行效果：

总结

初步在本地跑了起来，完成了第一步。后面继续折腾，把它变成 web 服务，上层再做更多事情。