如果你和我一样，最近一直在做Agent试【本文首发于唐霜的博客】【版权所有】唐霜 www.tangshuang.net探，就会对第三方大模型非常纠结，随着调用【版权所有】唐霜 www.tangshuang.net转载请注明出处：www.tangshuang.net次数的增加，银子也是白花花的流淌，有没有【本文受版权保护】未经授权，禁止复制转载。省钱的办法呢？当然有，就是在CPU上跑大【本文受版权保护】【本文受版权保护】模型。

一般的GPU服务器，一个月下来起码也要2著作权归作者所有，禁止商业用途转载。转载请注明出处：www.tangshuang.net000左右，算下来，不如调第三方服务的A原创内容，盗版必究。原创内容，盗版必究。PI划算，但是调第三方服务存在着数据泄露本文作者：唐霜，转载请注明出处。原创内容，盗版必究。风险，而且随着用户增长，按tokens计原创内容，盗版必究。转载请注明出处：www.tangshuang.net价的方式，也会消耗如流水，内心滴血。一群原创内容，盗版必究。【版权所有】唐霜 www.tangshuang.net大佬找到了省钱的办法，就是让大模型在AM【作者：唐霜】【版权所有】唐霜 www.tangshuang.netD的GPU，甚至在CPU上跑。如果在CP【作者：唐霜】【原创内容，转载请注明出处】U上跑，我们只需要租一台核心过得去内存比转载请注明出处：www.tangshuang.net本文作者：唐霜，转载请注明出处。较大的服务器即可，每个月的价格瞬间降到几【转载请注明来源】原创内容，盗版必究。百块，甚至打折时期，花千把来块就可以租一【作者：唐霜】本文版权归作者所有，未经授权不得转载。年。本文主要来聊一聊，如何让LLM运行在【本文首发于唐霜的博客】未经授权，禁止复制转载。CPU上，以极限姿势压榨服务器，达到省钱【原创内容，转载请注明出处】本文版权归作者所有，未经授权不得转载。目的。不是GPU不够好，而是CPU性价比【未经授权禁止转载】转载请注明出处：www.tangshuang.net更高。

想要让LLM在CPU上运行，核心要做到两本文作者：唐霜，转载请注明出处。【关注微信公众号：wwwtangshuangnet】个点：

• 高效的CPU运算架构
【版权所有】唐霜 www.tangshuang.net转载请注明出处：www.tangshuang.net【本文首发于唐霜的博客】
• 对大模型的性能压榨
转载请注明出处：www.tangshuang.net著作权归作者所有，禁止商业用途转载。

只要做到这两点，再配合一台硬件上还不错的【版权所有】唐霜 www.tangshuang.net著作权归作者所有，禁止商业用途转载。普通CPU服务器，就可以让我们获得一个性【访问 www.tangshuang.net 获取更多精彩内容】【访问 www.tangshuang.net 获取更多精彩内容】价比最大化的本地大模型服务。

针对第一点，社区大佬Georgi Ger原创内容，盗版必究。未经授权，禁止复制转载。ganov想到了用c/c++重新实现模型【作者：唐霜】本文作者：唐霜，转载请注明出处。框架，在想到这个点子后，经过一个晚上的奋战之后，他推出了llama.cpp项目。

Georgi Gerganov

【转载请注明来源】原创内容，盗版必究。

该项目主要用于运行大模型，完成推理过程。【访问 www.tangshuang.net 获取更多精彩内容】【版权所有】唐霜 www.tangshuang.net使用c/c++的优势在于：

• 无需任何额外依赖，相比 Python 代【原创内容，转载请注明出处】转载请注明出处：www.tangshuang.net码对 PyTorch 等库的要求，C/C【作者：唐霜】原创内容，盗版必究。++ 直接编译出可执行文件，跳过不同硬件【本文受版权保护】本文版权归作者所有，未经授权不得转载。的繁杂准备；
【转载请注明来源】未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。原创内容，盗版必究。
• 支持 Apple Silicon 芯片的未经授权，禁止复制转载。转载请注明出处：www.tangshuang.net ARM NEON 加速，x86 平台则【本文首发于唐霜的博客】【本文首发于唐霜的博客】以 AVX2 替代；
未经授权，禁止复制转载。【版权所有】唐霜 www.tangshuang.net【未经授权禁止转载】
• 具有 F16 和 F32 的混合精度；
本文版权归作者所有，未经授权不得转载。【版权所有】唐霜 www.tangshuang.net
• 支持 4-bit 量化；
未经授权，禁止复制转载。【版权所有】唐霜 www.tangshuang.net
• 无需 GPU，可只用 CPU 运行；
转载请注明出处：www.tangshuang.net未经授权，禁止复制转载。【原创不易，请尊重版权】
• …
未经授权，禁止复制转载。未经授权，禁止复制转载。

由于纯 C/C++ 实现，无其他依赖，运【关注微信公众号：wwwtangshuangnet】【本文受版权保护】行效率很高，除 MacBook Pro 【关注微信公众号：wwwtangshuangnet】【访问 www.tangshuang.net 获取更多精彩内容】外，甚至可以在 Android 上运行。

​针对第二点，如何将动则上100B的大模【未经授权禁止转载】【未经授权禁止转载】型进行压缩，以可以让普通的CPU机器也可原创内容，盗版必究。【原创内容，转载请注明出处】以带得动呢？答案是通过“量化”。所谓量化【本文首发于唐霜的博客】本文版权归作者所有，未经授权不得转载。，学术的说是“将连续取值的浮点型模型权重原创内容，盗版必究。【原创内容，转载请注明出处】进行裁剪和取舍的技术”，简单讲就是压缩，丢失部分精度，换取空间和本文作者：唐霜，转载请注明出处。【原创内容，转载请注明出处】性能。Georgi Gerganov提出了自转载请注明出处：www.tangshuang.net【原创不易，请尊重版权】己的量化方案ggml，并在该量化方案被广【原创不易，请尊重版权】【转载请注明来源】泛认可后，ggml成为一种量化模型的文件转载请注明出处：www.tangshuang.net【作者：唐霜】格式。但是，大模型领域发展的太快了，gg【版权所有】唐霜 www.tangshuang.net本文作者：唐霜，转载请注明出处。ml很快跟不上步伐，于是在2023年8月【版权所有】唐霜 www.tangshuang.net未经授权，禁止复制转载。他又推出了改进方案gguf，该方案替代g本文版权归作者所有，未经授权不得转载。著作权归作者所有，禁止商业用途转载。gml成为最新的量化模型文件格式。而且，【本文受版权保护】【原创内容，转载请注明出处】目前HuggingFace也大力支持了该【作者：唐霜】【版权所有】唐霜 www.tangshuang.net格式。当然，除了gguf方案外，还有其他著作权归作者所有，禁止商业用途转载。本文作者：唐霜，转载请注明出处。量化方案，例如知名的GPTQ等。总之，经【原创不易，请尊重版权】【关注微信公众号：wwwtangshuangnet】过量化后的模型，可以提升性能，​降低对硬原创内容，盗版必究。【原创不易，请尊重版权】件资源的要求。

现在，我们有了llama.cpp和ggu【转载请注明来源】【作者：唐霜】f，我们就可以在CPU机器上跑大模型了​【关注微信公众号：wwwtangshuangnet】【作者：唐霜】。

不过先不要着急，我们还有杀手锏。虽然ll【本文受版权保护】【本文受版权保护】ama.cpp是可以直接运行，可是它的运【版权所有】唐霜 www.tangshuang.net本文版权归作者所有，未经授权不得转载。行方式有点不那么感冒​。毕竟现在很少有人【访问 www.tangshuang.net 获取更多精彩内容】原创内容，盗版必究。在用c++写业务系统了，所以，我们最好还著作权归作者所有，禁止商业用途转载。本文作者：唐霜，转载请注明出处。是能跟我们的​应用结合起来便是最好。​这本文作者：唐霜，转载请注明出处。【原创不易，请尊重版权】里有两种方案：

• 独立服务，通过RPC或http进行调用
未经授权，禁止复制转载。原创内容，盗版必究。
• 编译为业务系统开发语言支持的模块，直接在本文作者：唐霜，转载请注明出处。未经授权，禁止复制转载。代码中调用
【作者：唐霜】【转载请注明来源】

独立服务模式

【版权所有】唐霜 www.tangshuang.net未经授权，禁止复制转载。【本文受版权保护】【访问 www.tangshuang.net 获取更多精彩内容】

模块封装模式

【本文首发于唐霜的博客】未经授权，禁止复制转载。

作为前端开发，我也在前人的肩膀上封装了一【版权所有】唐霜 www.tangshuang.net转载请注明出处：www.tangshuang.net个库node-llm，你可以使用 npm【版权所有，侵权必究】原创内容，盗版必究。 install n​ode-llm 来【本文受版权保护】【本文首发于唐霜的博客】安装它。它简化了接口，理解成本极低，可以【版权所有】唐霜 www.tangshuang.net转载请注明出处：www.tangshuang.net让前端开发的同学，以最快的速度在node未经授权，禁止复制转载。未经授权，禁止复制转载。js上启动一个大模型项目​。有了它，再配著作权归作者所有，禁止商业用途转载。【原创不易，请尊重版权】合langchain的js版本，就可以轻转载请注明出处：www.tangshuang.net本文版权归作者所有，未经授权不得转载。松搭建自己的知识库等Agent应用。而且本文作者：唐霜，转载请注明出处。【作者：唐霜】我还融合了之前做的chatglmjs项目【作者：唐霜】【原创内容，转载请注明出处】，在llama之外，支持chatglm系【作者：唐霜】未经授权，禁止复制转载。列模型，chatglm的6b模型要求的性【原创内容，转载请注明出处】【访问 www.tangshuang.net 获取更多精彩内容】能在同级别中最低，非常值得一试​。

量化后的模型对硬件的要求降低，但是并不意著作权归作者所有，禁止商业用途转载。【原创不易，请尊重版权】味着随便一台垃圾机器也可以跑起来，如果我【转载请注明来源】未经授权，禁止复制转载。们有一台8G内存的大模型，我们可以尝试6【本文受版权保护】未经授权，禁止复制转载。B的量化模型​。当然，如果我们有需要，可【转载请注明来源】【版权所有】唐霜 www.tangshuang.net以升级机器到32G，此时，我们就可以把量【原创内容，转载请注明出处】【原创内容，转载请注明出处】化的精度提高一些，以获得效果更好的​输出【关注微信公众号：wwwtangshuangnet】本文作者：唐霜，转载请注明出处。。如果我们只有2G内存，还是建议调第三方【版权所有】唐霜 www.tangshuang.net本文作者：唐霜，转载请注明出处。接口来的实在​。

最后，有人会问，失去精度后，大模型准确性【关注微信公众号：wwwtangshuangnet】【原创不易，请尊重版权】降低，不就​失去了意义吗？对于这个问题，本文作者：唐霜，转载请注明出处。转载请注明出处：www.tangshuang.net我想说的是，我们应该根据自己的需求来选择【作者：唐霜】【转载请注明来源】，不然为什么所有厂商都会提供不同参数量级【本文首发于唐霜的博客】【访问 www.tangshuang.net 获取更多精彩内容】的模型呢？说明这些厂商们明白，我们在面对著作权归作者所有，禁止商业用途转载。未经授权，禁止复制转载。不同需求时，所需要的精度是不同的​。对于著作权归作者所有，禁止商业用途转载。本文作者：唐霜，转载请注明出处。我们做应用开发而言，我们要学会用架构拆分来合理降低成本。当我们一股脑的把所有LLM处理都丢给一未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。个大模型去处理，意味着该模型要承受巨大的【原创不易，请尊重版权】未经授权，禁止复制转载。服务压力，同时，你的成本也​是固定的。但【原创不易，请尊重版权】【访问 www.tangshuang.net 获取更多精彩内容】当我们把不同的处理进行拆分，精度必须高的【未经授权禁止转载】【原创不易，请尊重版权】，分发给智能程度高精度高的大模型去处理，转载请注明出处：www.tangshuang.net原创内容，盗版必究。精度要求低的，分发给我们今天搭起来的CP转载请注明出处：www.tangshuang.net【原创不易，请尊重版权】U上跑的大模型去处理，如此合理分配，就可【原创内容，转载请注明出处】【版权所有，侵权必究】以让我们的成本降低​。

对于我们学习、调试期间而言，本着能省则省【关注微信公众号：wwwtangshuangnet】【原创不易，请尊重版权】的性价比观念，自己搭一个本地大模型服务，【关注微信公众号：wwwtangshuangnet】【关注微信公众号：wwwtangshuangnet】调通整个Agent之后，再把部分调用切换未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。到付费大模型去，如此，岂不​省了很多？

2024-04-10 4256