【LLMs】用LM Studio本地部署离线大语言模型

文章目录

  • 一、下载LM Studio
  • 二、下载大语言模型
      1. 查看模型介绍
      1. 点击模型文件进行下载
      • 2.1 完整下载
      • 2.2 部分下载
  • 三、加载模型
      1. 打开LM Studio图形化界面,点击**My Models**
      1. 然后,点击"...",选择"change",选择刚下载好的存储模型的models文件夹
      1. 选择要使用的模型
  • 四、开启学习之旅

有时候需要使用离线大语言模型,然后看到了一个非常好用的客户端LM Studio,所以来分享一下。它可以提供图形化界面来运行本地大语言模型,非常方便。接下来,我将分享如何通过LM Studio来快速搭建自己的离线大语言模型。


一、下载LM Studio

LM Studio下载:https://lmstudio.ai/?utm_source=ai-bot.cn

下载完后,直接安装即可。

安装完后,打开的界面:

二、下载大语言模型

虽然LM Studio里面可直接下载模型,但是在国内往往正常下载速度非常慢,所以,推荐去国内的魔搭社区下载模型。

魔搭社区官网:https://www.modelscope.cn/models

可以看到这里有非常多的LLMs(大语言模型),可以选择适合你的电脑配置的模型,下载下来。

我的电脑处理器为12th Gen Intel® Core™ i5-12500H 3.10 GHz,试了一下,7B(70亿参数)模型如果是5G多的模型文件,可以跑起来,速度还可以,再大点的就加载不起来,配置不够;然后下载了一个3B的模型,选择.gguf文件如果是2到3G的,输出非常快,选择5G以上的话,输出的时候,就可以明显感觉到慢了,不过还能接受。

拿这个3B的模型举例:

测试的7B的模型:

1. 查看模型介绍

有的模型会在模型介绍中,详细写明适合的配置以及如何安装的多种方法和注意事项,所以先查看模型介绍。

2. 点击模型文件进行下载

大多数模型提供了多个不同大小的模型存储文件(比如GGUF文件),可以选择性的下载模型存储文件。也可以全部下载。下载后,在自定义位置新建一个名为models的文件夹,然后把下载的放在models文件夹下(也可以在models文件夹下新建文件夹,然后存放下载的模型文件)。

2.1 完整下载

想全部下载的话,可以点击最右边的下载模型按钮,打开后会有多种下载方式,选择一种下载方式即可。

2.2 部分下载

部分下载可以点击每个文件最右边的下载按钮,下载想要的大语言模型文件,放到自定义位置新建一个名为models的文件夹下。

三、加载模型

1. 打开LM Studio图形化界面,点击My Models

2. 然后,点击"...",选择"change",选择刚下载好的存储模型的models文件夹


选择之后,顺利的话,会自动识别出语言模型,显示在下面。

3. 选择要使用的模型

点击"chat",然后在上面选择一个你想使用的模型。

然后回出现一些自定义参数配置,通常默认即可,你也可以自己调参数。然后点击右下角的"Load Model"。

四、开启学习之旅

现在,离线的语言模型就部署好啦,可以开启学习之旅啦。

如果本文对你有一点点帮助,可以为我点个免费的赞,支持一下嘛,也期待你的评论和关注哦。^_^

相关推荐
tedcloud1232 小时前
OpenShip 部署指南:开源 AI 应用快速启动模板 Linux 搭建实践
linux·运维·服务器·人工智能·开源
chaojihaomai5 小时前
AI电商商品图生成中的材质保真问题——扩散模型重建优先级分析与锁定式方案
人工智能·材质
大模型探索者7 小时前
2026 企业智能体平台选型指南:从通用到行业深耕,怎么选?
大数据·人工智能
深圳行云创新7 小时前
北极星知识图谱平台|太空越来越“拥挤”,知识图谱如何预测空间碎片碰撞风险?
人工智能·知识图谱
Am-Chestnuts7 小时前
国产AI多轮对话归档与多格式导出实践
人工智能·word
workflower8 小时前
装备企业的 AI 路线图
人工智能·深度学习·机器学习·设计模式·机器人
AKAMAI8 小时前
Linode接口及默认防火墙现已全面开放使用
人工智能·云计算
前端开发江鸟9 小时前
RAG 回答错了,问题到底出在召回、重排,还是生成?
人工智能
美狐美颜SDK开放平台9 小时前
直播app开发如何实现主播级美颜效果?美颜sdk开发方案详解
人工智能·音视频·美颜sdk·视频美颜sdk·美颜api
东方小月9 小时前
从零开发一个 Coding Agent(四):使用状态机校验大模型事件流
前端·人工智能·后端