如果你和我一样，最近一直在做Agent试【原创内容，转载请注明出处】著作权归作者所有，禁止商业用途转载。探，就会对第三方大模型非常纠结，随着调用【原创不易，请尊重版权】本文版权归作者所有，未经授权不得转载。次数的增加，银子也是白花花的流淌，有没有转载请注明出处：www.tangshuang.net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【未经授权禁止转载】【未经授权禁止转载】模型。

一般的GPU服务器，一个月下来起码也要2【转载请注明来源】【访问 www.tangshuang.net 获取更多精彩内容】000左右，算下来，不如调第三方服务的A【作者：唐霜】【版权所有，侵权必究】PI划算，但是调第三方服务存在着数据泄露【转载请注明来源】【关注微信公众号：wwwtangshuangnet】风险，而且随着用户增长，按tokens计【转载请注明来源】本文作者：唐霜，转载请注明出处。价的方式，也会消耗如流水，内心滴血。一群【版权所有，侵权必究】【作者：唐霜】大佬找到了省钱的办法，就是让大模型在AM著作权归作者所有，禁止商业用途转载。【转载请注明来源】D的GPU，甚至在CPU上跑。如果在CP转载请注明出处：www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】U上跑，我们只需要租一台核心过得去内存比【版权所有】唐霜 www.tangshuang.net【版权所有，侵权必究】较大的服务器即可，每个月的价格瞬间降到几【未经授权禁止转载】【转载请注明来源】百块，甚至打折时期，花千把来块就可以租一【关注微信公众号：wwwtangshuangnet】【关注微信公众号：wwwtangshuangnet】年。本文主要来聊一聊，如何让LLM运行在【未经授权禁止转载】【访问 www.tangshuang.net 获取更多精彩内容】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】转载请注明出处：www.tangshuang.net目的。不是GPU不够好，而是CPU性价比【访问 www.tangshuang.net 获取更多精彩内容】【本文首发于唐霜的博客】更高。

想要让LLM在CPU上运行，核心要做到两【版权所有，侵权必究】【访问 www.tangshuang.net 获取更多精彩内容】个点：

• 高效的CPU运算架构
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。
• 对大模型的性能压榨
【版权所有，侵权必究】【本文受版权保护】

只要做到这两点，再配合一台硬件上还不错的【作者：唐霜】【原创内容，转载请注明出处】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】【关注微信公众号：wwwtangshuangnet】价比最大化的本地大模型服务。

针对第一点，社区大佬Georgi Ger未经授权，禁止复制转载。【本文受版权保护】ganov想到了用c/c++重新实现模型未经授权，禁止复制转载。【访问 www.tangshuang.net 获取更多精彩内容】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

【访问 www.tangshuang.net 获取更多精彩内容】【转载请注明来源】

该项目主要用于运行大模型，完成推理过程。本文版权归作者所有，未经授权不得转载。【原创不易，请尊重版权】使用c/c++的优势在于：

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

由于纯 C/C++ 实现，无其他依赖，运【原创内容，转载请注明出处】【版权所有】唐霜 www.tangshuang.net行效率很高，除 MacBook Pro 【原创内容，转载请注明出处】【版权所有】唐霜 www.tangshuang.net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【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。型进行压缩，以可以让普通的CPU机器也可【本文首发于唐霜的博客】【作者：唐霜】以带得动呢？答案是通过“量化”。所谓量化原创内容，盗版必究。【原创内容，转载请注明出处】，学术的说是“将连续取值的浮点型模型权重本文作者：唐霜，转载请注明出处。【未经授权禁止转载】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。性能。Georgi Gerganov提出了自本文作者：唐霜，转载请注明出处。原创内容，盗版必究。己的量化方案ggml，并在该量化方案被广本文作者：唐霜，转载请注明出处。【原创内容，转载请注明出处】泛认可后，ggml成为一种量化模型的文件【原创不易，请尊重版权】【关注微信公众号：wwwtangshuangnet】格式。但是，大模型领域发展的太快了，gg【作者：唐霜】未经授权，禁止复制转载。ml很快跟不上步伐，于是在2023年8月【作者：唐霜】本文版权归作者所有，未经授权不得转载。他又推出了改进方案gguf，该方案替代g著作权归作者所有，禁止商业用途转载。【未经授权禁止转载】gml成为最新的量化模型文件格式。而且，本文作者：唐霜，转载请注明出处。【访问 www.tangshuang.net 获取更多精彩内容】目前HuggingFace也大力支持了该【关注微信公众号：wwwtangshuangnet】本文作者：唐霜，转载请注明出处。格式。当然，除了gguf方案外，还有其他【原创内容，转载请注明出处】转载请注明出处：www.tangshuang.net量化方案，例如知名的GPTQ等。总之，经本文作者：唐霜，转载请注明出处。【转载请注明来源】过量化后的模型，可以提升性能，​降低对硬【原创内容，转载请注明出处】本文作者：唐霜，转载请注明出处。件资源的要求。

现在，我们有了llama.cpp和ggu转载请注明出处：www.tangshuang.net【原创内容，转载请注明出处】f，我们就可以在CPU机器上跑大模型了​【版权所有，侵权必究】【本文受版权保护】。

不过先不要着急，我们还有杀手锏。虽然ll本文作者：唐霜，转载请注明出处。未经授权，禁止复制转载。ama.cpp是可以直接运行，可是它的运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行方式有点不那么感冒​。毕竟现在很少有人本文版权归作者所有，未经授权不得转载。原创内容，盗版必究。在用c++写业务系统了，所以，我们最好还原创内容，盗版必究。【未经授权禁止转载】是能跟我们的​应用结合起来便是最好。​这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里有两种方案：

• 独立服务，通过RPC或http进行调用
【本文首发于唐霜的博客】转载请注明出处：www.tangshuang.net【未经授权禁止转载】【访问 www.tangshuang.net 获取更多精彩内容】
• 编译为业务系统开发语言支持的模块，直接在转载请注明出处：www.tangshuang.net【版权所有】唐霜 www.tangshuang.net代码中调用
转载请注明出处：www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】【原创不易，请尊重版权】原创内容，盗版必究。

独立服务模式

本文作者：唐霜，转载请注明出处。原创内容，盗版必究。转载请注明出处：www.tangshuang.net【未经授权禁止转载】

模块封装模式

【版权所有】唐霜 www.tangshuang.net【关注微信公众号：wwwtangshuangnet】【原创不易，请尊重版权】

作为前端开发，我也在前人的肩膀上封装了一本文版权归作者所有，未经授权不得转载。【原创内容，转载请注明出处】个库node-llm，你可以使用 npm【本文首发于唐霜的博客】【原创内容，转载请注明出处】 install n​ode-llm 来本文作者：唐霜，转载请注明出处。转载请注明出处：www.tangshuang.net安装它。它简化了接口，理解成本极低，可以本文作者：唐霜，转载请注明出处。【版权所有，侵权必究】让前端开发的同学，以最快的速度在node【本文首发于唐霜的博客】【原创内容，转载请注明出处】js上启动一个大模型项目​。有了它，再配【原创不易，请尊重版权】【转载请注明来源】合langchain的js版本，就可以轻【版权所有，侵权必究】【原创内容，转载请注明出处】松搭建自己的知识库等Agent应用。而且【版权所有，侵权必究】本文作者：唐霜，转载请注明出处。我还融合了之前做的chatglmjs项目著作权归作者所有，禁止商业用途转载。本文作者：唐霜，转载请注明出处。，在llama之外，支持chatglm系【原创内容，转载请注明出处】【访问 www.tangshuang.net 获取更多精彩内容】列模型，chatglm的6b模型要求的性【未经授权禁止转载】【本文受版权保护】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【未经授权禁止转载】未经授权，禁止复制转载。味着随便一台垃圾机器也可以跑起来，如果我本文作者：唐霜，转载请注明出处。【访问 www.tangshuang.net 获取更多精彩内容】们有一台8G内存的大模型，我们可以尝试6【原创内容，转载请注明出处】【版权所有，侵权必究】B的量化模型​。当然，如果我们有需要，可【作者：唐霜】【原创内容，转载请注明出处】以升级机器到32G，此时，我们就可以把量【转载请注明来源】【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。。如果我们只有2G内存，还是建议调第三方本文作者：唐霜，转载请注明出处。【版权所有，侵权必究】接口来的实在​。

最后，有人会问，失去精度后，大模型准确性【转载请注明来源】【访问 www.tangshuang.net 获取更多精彩内容】降低，不就​失去了意义吗？对于这个问题，本文版权归作者所有，未经授权不得转载。原创内容，盗版必究。我想说的是，我们应该根据自己的需求来选择原创内容，盗版必究。【未经授权禁止转载】，不然为什么所有厂商都会提供不同参数量级【转载请注明来源】【转载请注明来源】的模型呢？说明这些厂商们明白，我们在面对【访问 www.tangshuang.net 获取更多精彩内容】【转载请注明来源】不同需求时，所需要的精度是不同的​。对于【原创内容，转载请注明出处】未经授权，禁止复制转载。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【原创内容，转载请注明出处】【本文首发于唐霜的博客】个大模型去处理，意味着该模型要承受巨大的【本文受版权保护】【关注微信公众号：wwwtangshuangnet】服务压力，同时，你的成本也​是固定的。但【版权所有，侵权必究】本文作者：唐霜，转载请注明出处。当我们把不同的处理进行拆分，精度必须高的原创内容，盗版必究。【访问 www.tangshuang.net 获取更多精彩内容】，分发给智能程度高精度高的大模型去处理，【关注微信公众号：wwwtangshuangnet】著作权归作者所有，禁止商业用途转载。精度要求低的，分发给我们今天搭起来的CP【转载请注明来源】【关注微信公众号：wwwtangshuangnet】U上跑的大模型去处理，如此合理分配，就可【原创不易，请尊重版权】【本文受版权保护】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【版权所有，侵权必究】本文版权归作者所有，未经授权不得转载。的性价比观念，自己搭一个本地大模型服务，著作权归作者所有，禁止商业用途转载。【关注微信公众号：wwwtangshuangnet】调通整个Agent之后，再把部分调用切换著作权归作者所有，禁止商业用途转载。【本文首发于唐霜的博客】到付费大模型去，如此，岂不​省了很多？

2024-04-10 4340