前言
在 llama.cpp 中，模型推理主要基于 GGUF 格式展开。GGUF 是一种专为存储基于 GGML 及其相关执行器进行推理的模型文件而设计的格式。作为一种二进制格式，其设计初衷在于实现模型的高效加载与保存，并确保良好的易读性。本章将深入探讨大语言模型推理的关键准备环节------模型的加载与初始化部分，并从 GGUF格式介绍及GGUF格式加载与解析两个维度展开详细介绍。
目录
- 1 GGUF格式介绍
- 2 GGUF格式加载与解析
1 GGUF格式介绍
GGUF具有单文件部署、高度可扩展、兼容mmap、简单易用、信息自包含等特点。即模型无需额外文件即可单独部署，通过元数据键值对实现功能的平滑扩展，配合 mmap 显著提升了加载与写入效率，凭借无需外部依赖库的特性简化了读写流程，并因内置所有必要信息而省去了用户的额外配置。GGUF文件结构如下图所示(引用自ggml/docs/gguf.md at master · ggml-org/ggml):
GGUF 文件由头文件、张量信息(Tensor Info)及张量数据(Tensors)三部分构成：头文件描述GGUF文件的全局信息，包含基础文件信息(如格式标识(GGUF字符)、版本号、张量与元数据计数)及以键值对(Key-Value Pairs)形式存储的丰富元数据；张量信息部分详细描述了各权重的名称、维度、数据类型及物理偏移量，为权重数据读取提供索引；张量数据区则存储实际的权重值，并严格遵循元数据中 general.alignment 定义的对齐值，通过填充0x00确保各张量首地址满足对齐要求-对齐值的整数倍，从而优化内存映射与推理性能。
2 GGUF格式加载与解析
接下来从代码层面剖析 GGUF 的解析过程。在上篇文章中(llama-server - 从命令行到HTTP Server(2)-CSDN博客)，我们介绍了llama-server基于cpp-httplib的运行机制，其整体架构主要分为server_http_context 与 server_context，其中server_context负责管理模型推理，而接下来的大模型加载相关逻辑则属于server_context的核心内容。
本次调试的llama.cpp版本的hash值为7f5ee5...，可通过git reset命令与本文保持一致。
调试的命令如下，在后续文章中除特别说明外，都采用此命令：
bash
llama-server -m gemma-3-1b-it-Q4_K_M.gguf -ngl 99回到 llama-server 项目 server.cpp 文件的第 252-259 行，通过调用 server_context 类的 load_model 方法即可实现模型的加载。
cpp
if (!ctx_server.load_model(params)) {
clean_up();
if (ctx_http.thread.joinable()) {
ctx_http.thread.join();
}
LOG_ERR("%s: exiting due to model loading error\n", __func__);
return 1;
}函数传入的参数为common_params对象，其包含了大模型服务所有的参数，本文除n_gpu_layers取值99外，其它参数取默认值。
通过深入调试 load_model 方法，可以总结出如下函数调用路径：common_init_from_params -> llama_model_load_from_file。其中 common_init_from_params 函数返回 common_init_result 对象，而 common_init_result 主要包含 llama_model 与 llama_context 两类核心对象，其类依赖关系如下图所示。而 llama_model_load_from_file 函数在 common_init_result 对象的构造过程中执行，传入参数为记录了模型路径及配套参数的 common_params。
接下来，进入对 llama_model_load_from_file 函数的调试环节。从该函数的输入输出来看，其接收模型路径与额外参数并输出 llama_model 对象；初步观察可见，llama_model 对象的成员变量涵盖了超参数、词汇表、ggml_tensor、llama_layer、以 std::unordered_map 形式表达的 KV 元数据、计算后端设备及后端缓存等，其与成员变量的具体关系如下图所示。
继续向下调试，进入到 llama_model_load_from_file_impl 函数（位于 llama.cpp 中），其代码前半部分主要涉及 llama_model 指针的构造以及后端设备（device）的添加过程，而有关 llama.cpp 的后端初始化逻辑将在后续章节详细讲解。接下来调试会遇到一个关键函数 llama_model_load，进入该函数后可以发现，其在实现上是先通过 llama_model_loader 对象加载模型，再利用该对象逐步构建 llama_model 实例，因此后续的代码解读部分将分为模型加载与 llama_model 对象构建两阶段进行。
2.1 模型加载
首先从结构体llama_model_loader的成员变量来分析，其主要包含一个gguf_context指针对象和ggml_context指针数组。
ggml_context与gguf_context并不一定呈现一一对应关系，这主要是由于GGUF格式支持跨多个文件拆分存储，相关信息在KV元数据的split.count字段中有所体现；在本次调试的模型中，由于该值为0，因此ggml_context与gguf_context在此时表现为一一对应关系。
继续深入调试，在llama_model_loader的构造函数中，通过调用gguf_init_from_file函数返回gguf_context对象并同步初始化ggml_context对象；观察gguf_context结构体可以发现，其设计方案与2.1节介绍的GGUF格式组成高度契合，即GGUF文件由文件头、张量信息（TensorInfo）及张量数据（Tensors）三部分构成，其中文件头对应version与kv变量，张量信息对应info，而张量数据则对应offset、size与 data；此外还特别包含对齐变量alignment，用于计算首个张量数据需满足对齐要求的地址偏移量，即offset变量值。
cpp
struct gguf_context {
uint32_t version = GGUF_VERSION;
std::vector<struct gguf_kv> kv;
std::vector<struct gguf_tensor_info> info;
size_t alignment = GGUF_DEFAULT_ALIGNMENT;
size_t offset = 0; // offset of `data` from beginning of file
size_t size = 0; // size of `data` in bytes
void * data = nullptr;
};2.2 llama_model对象构建
在模型加载完成后，断点回退至 llama_model_load函数，此时llama_model_loader对象构建完毕，并转由其构造 llama_model对象。接着，系统依次调用load_arch、load_hparams、load_vocab、load_stats及load_tensors方法，并以llama_model_loader对象作为形参实现信息交换；相关代码分布在llama.cpp文件的第844-861行。值得注意的是，load_tensors方法的调用与GPU操作紧密相关，通过对比调用前后的状态，可以观察到GPU占用显著升高，而load_tensors的具体实现细节将在后续章节深入剖析。
2.3 小结
本小节通过深入剖析代码的形式，阐述了从server_context到llama_model、再到gguf_context与ggml_context的调用路径，清晰还原了GGUF格式的加载与解析流程。
其中底层gguf_context的设计与物理存储保持高度一致，ggml_context负责张量的进一步解析，而最顶层的llama_model则涉及数据从CPU到GPU的计算后端加载过程；至于llama_context、后端初始化及load_tensors的细致实现等本节尚未涉及的知识点，将在后续章节深入讲解。
文末
本文深入讲解了大语言模型(LLM)推理中重要的准备工作之一，模型加载与初始化。从GGUF格式及其加载与解析两个角度去说明。同时在代码调试过程中，留下了llama_context、后端初始化及load_tensors的细致实现等本节尚未涉及的知识点，这些将在后续文章中深入讲解。在下一章中，我们将进一步探索模型推理前的另一核心准备环节------从文本到Token。
大语言模型无法直接处理原始字符串，需要将输入文本映射为高维向量序列，作为后续模型推理计算的输入，此过程中有一个必不可少的环节------分词(tokenize，即从文本到Token)。