本地大模型部署完全指南：Ollama / vLLM / llama.cpp / MLX 四大引擎横评与选型实战

本地大模型部署完全指南：Ollama / vLLM / llama.cpp / MLX 四大引擎横评与选型实战

数据说明 ：本文的安装命令、特性、硬件支持全部来自各项目官方 README（2026 年 9 月版本），关键论断标注了出处。不写没验证过的性能数字。

适合谁：想在自己机器或公司服务器上跑开源模型，但被 Ollama、llama.cpp、vLLM、MLX 这些名词绕晕的人。

---

一、先看结论

1. 四个引擎不是竞争关系，是四个不同的层次：llama.cpp 是地基（GGUF 格式和底层算子），Ollama 和 LM Studio 是地基上的"精装修"（易用性），vLLM 是生产车间（吞吐），MLX 是 Apple Silicon 的专属高速通道。

2. 个人用户无脑选 Ollama ：一条命令跑起来，REST API 现成，还有 ollama launch claude 这种一条命令把它接进主流编码 Agent 的新玩法。

3. 要扛并发、上生产，只有 vLLM 一个答案：PagedAttention、连续批处理、分离式 prefill/decode，且官方支持 NVIDIA / AMD / Intel GPU、华为昇腾、TPU 等一大票硬件。

4. Mac 用户直接进 MLX 生态：统一内存架构是 Intel/NVIDIA 路线比不了的，omlx 这类项目已经把服务化做得很成熟。

四大引擎横评表

引擎	定位	底层	API	适合谁
Ollama	一条命令跑模型	llama.cpp	REST API（:11434）	个人、开发调试
llama.cpp	地基与极限压缩	自研（GGUF）	llama-server（OpenAI 兼容）	低配硬件、嵌入式、造轮子的人
vLLM	生产级高吞吐	自研内核（PagedAttention）	OpenAI 兼容 + Anthropic API + gRPC	团队服务、生产环境
MLX / omlx	Apple Silicon 专属	Apple MLX	OpenAI + Anthropic 兼容（:8000）	Mac 用户

---

二、部署前，先想清楚三个问题

很多人部署失败的根因不是技术，是没想清楚需求。回答这三个问题，你的选型就已经完成 80%：

问题一：给谁用？

• 只给自己调试/学习 → Ollama，十分钟解决战斗；
• 给团队共用 → 必须考虑并发，直接看 vLLM；
• 给客户/生产 → vLLM + 监控 + 量化压测。

问题二：硬件是什么？

• Mac（M1--M5）→ MLX 生态，统一内存跑大模型是 Mac 独有优势；
• 纯 CPU 或核显 → llama.cpp + GGUF 量化，能跑但别期待速度；
• 单卡 8--24G 消费卡 → 7B--32B 的 Q4 量化是甜点区；
• 多卡服务器 → vLLM 张量并行。

问题三：要不要并发？

这是最容易被忽略的问题。单人对话和十人同时用，是两个完全不同的工程问题。Ollama 对并发场景并不擅长------它的强项是"简单"，不是"吞吐"。

---

三、四大引擎逐个拆

3.1 Ollama ------ 十分钟跑起来的第一选择

后端：llama.cpp（Georgi Gerganov 创立的项目）

Ollama 自己不实现推理，它的价值是把 llama.cpp 包成一个人人可用的产品：模型库、版本管理、API、一键集成。

安装（三个平台都是一条命令）：

# macOS / Linux
curl -fsSL https://ollama.com/install.sh | sh

# Windows PowerShell
irm https://ollama.com/install.ps1 | iex

也有官方 Docker 镜像 ollama/ollama。

跑起来：

ollama run gemma4        # 自动下载并进入对话

模型列表在 ollama.com/library，一条命令拉取。

API 直接可用（默认端口 11434）：

curl http://localhost:11434/api/chat -d '{
  "model": "gemma4",
  "messages": [{"role": "user", "content": "Why is the sky blue?"}],
  "stream": false
}'

Python / JS 都有官方 SDK：

pip install ollama     # Python
npm i ollama           # JavaScript

2026 年最值得注意的新玩法：ollama launch。官方现在支持一条命令把本地模型直接接进主流 Agent：

ollama launch claude      # 接入 Claude Code
ollama launch openclaw    # 变成 WhatsApp/Telegram/Slack 里的个人助手

支持的集成包括 Claude Code、Codex、Copilot CLI、DeepSeek Harness、Droid、OpenCode、OpenClaw。这意味着你可以用本地模型驱动编码 Agent------数据不出本机，也没有按 token 计费。

自定义模型用 Modelfile（改系统提示、温度、上下文长度）：

FROM gemma4
SYSTEM "你是一个严谨的中文技术文档助手"
PARAMETER temperature 0.3

ollama create mymodel -f Modelfile

它的边界也要清楚：Ollama 擅长"单机、少并发、快速上手"。多人同时高负载使用时，吞吐和调度都不是它的设计目标------这时候请看 vLLM。

---

3.2 llama.cpp ------ 一切的地基

Ollama 的后端就是它，但 llama.cpp 本身值得单独认识：

• GGUF 格式的创立者与维护者。你现在下载的几乎所有本地模型文件，十有八九是 GGUF；
• 量化技术（k-quants 家族的 Q4_K_M、Q5_K_M 等）让 7B 模型能塞进 4--5GB 内存；
• 后端覆盖极广：CPU、Apple Metal、CUDA、Vulkan、ROCm......没有 GPU 也能跑；
• 自带 llama-server，提供 OpenAI 兼容接口。

什么时候直接用它而不是 Ollama：内存极限紧张、要在树莓派/NAS 这类设备上跑、或者需要精细控制每一个推理参数。否则，Ollama 是更省心的壳。

---

3.3 vLLM ------ 生产环境的事实标准

起源：UC Berkeley Sky Computing Lab，2000+ 贡献者共建

vLLM 的定位和 Ollama 完全不同：它从第一天起就是为高吞吐服务设计的。

安装（官方推荐用 uv）：

uv pip install vllm

为什么它快，四个机制（下一节展开）：

• PagedAttention：把 KV 缓存像操作系统管内存页一样分块管理，显存利用率逼近 100%（这是它的成名作，论文发在 SOSP 2023）；
• 连续批处理 + chunked prefill：请求随到随处理，GPU 不空转；
• 前缀缓存：相同系统提示、多轮对话的公共前缀只算一次；
• 分离式 prefill/decode：把计算密集和访存密集两个阶段拆开部署，各自独立扩缩容。

它支持的硬件清单值得逐条看（官方 README 原文）：

• 原生：NVIDIA GPU、AMD GPU、Intel GPU、x86 / ARM / PowerPC CPU；
• 插件：Google TPU、Intel Gaudi、IBM Spyre、华为昇腾（Ascend）、Rebellions NPU、Apple Silicon、MetaX GPU。

对国产化环境来说，vLLM 官方支持华为昇腾这一点非常关键------NPU 生态不用从零造轮子。

API 兼容性也做得最全 ：OpenAI 兼容接口、Anthropic Messages API、gRPC 三种都有。这意味着客户端代码几乎不用改。

其他硬实力：200+ 模型架构（含 MoE、混合注意力、多模态、embedding）、multi-LoRA、结构化输出（xgrammar）、投机解码（n-gram / EAGLE / DFlash）、张量/流水线/数据/专家/上下文五种并行。

什么时候不该用它 ：单机单人使用。vLLM 的复杂度是为吞吐付的成本，一个人聊天用 Ollama 体验更好。先用 Ollama 验证模型效果，再决定要不要上 vLLM，是我建议的标准顺序。

---

3.4 MLX / omlx ------ Mac 用户的专属通道

Apple Silicon 的统一内存让 CPU 和 GPU 共享同一块大内存，跑大模型天然占优。MLX 是 Apple 官方的机器学习框架，围绕它的生态在 2026 年已经成熟：

• MLX-LM：命令行直接跑和训练；
• omlx（21.7k★）：把推理做成正式服务------OpenAI 和 Anthropic 双兼容 API、Web 管理面板、菜单栏 App。

omlx 有两个值得单独说的设计：

1. 分级 KV 缓存：热数据在内存、冷数据落 SSD（safetensors 格式），服务重启后前缀缓存仍然可复用。对"隔天接着问同一个项目"的工作流是质变；
2. 原生自定义 kernel ：GLM-5.2 等模型的融合 prefill 内核实测 845 tok/s vs 约 29 tok/s（M3 Ultra，官方数据） 。但注意：普通 pip 安装不会编译这些内核，且会静默回退到慢路径 ------必须用官方 dmg，或装完整 Xcode 后用 brew install jundot/omlx/omlx --HEAD --with-custom-kernel。

Mac 上的标准组合：omlx 做服务 + llama.cpp 兜底特殊需求。

---

3.5 顺带两个常被问到的

• SGLang：同样主打高吞吐，RadixAttention 前缀缓存和结构化输出是强项，和 vLLM 属于同赛道竞品，团队有相关经验可以对比测试；
• LM Studio：闭源但免费的桌面 GUI，点鼠标就能跑模型，适合完全不想碰命令行的人；做开发集成时它的本地 API 也兼容 OpenAI 格式。

---

四、量化怎么选：一张表说清

模型文件动辄几十 G，量化的本质是"用一点精度换大量显存"。常用选择：

量化	格式	体积（以 7B 为例）	建议
Q4_K_M	GGUF	约 4--5 GB	个人首选，质量损失小
Q5_K_M / Q6_K	GGUF	约 5--6 GB	内存充裕就升一档
AWQ / GPTQ	vLLM 常用	约 4--6 GB	服务端部署常用
INT8 / FP8	vLLM 原生	约 7--15 GB	精度要求高的生产场景
MXFP4 / NVFP4	新一代 4-bit	极低	新硬件上的前沿选择

经验法则 ：优先保证模型参数规模，其次才是量化档位。跑得动 32B 的 Q4，几乎总是好于 14B 的 Q8。

动手前，用上篇推荐的 llmfit 扫一遍硬件，它会直接告诉你显存能装下哪个尺寸、哪档量化，还会给出预计速度。

---

五、三条实战路线

路线 A：个人学习 / 本地开发（半小时搞定）

# 1. 装 Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 2. 先用 llmfit 确认能跑什么
llmfit

# 3. 拉模型开聊
ollama run gemma4

# 4. 需要接编码 Agent 时
ollama launch claude

路线 B：团队内部服务（Mac 机房或单台服务器）

• Mac 环境：omlx 起服务（omlx serve --model-dir ~/models），OpenAI 兼容接口直接给同事的工具链用；
• Linux + 单卡：Ollama 起步，2--5 人轻度共用够用；并发明显上升再迁 vLLM。

路线 C：生产环境

• vLLM 起服务（OpenAI 兼容接口 + Anthropic Messages API 都有，业务侧改动小）；
• 按并发压力决定是否开启分离式 prefill/decode 与张量并行；
• 量化选 AWQ / GPTQ / FP8，上线前用真实流量压测；
• 别忘了安全：用 AI-Infra-Guard 扫一遍服务暴露面（它内置了 vLLM、Ollama 等 146 个 AI 组件的指纹与 2000+ CVE 规则）。

---

六、避坑清单（都是高频问题）

1. Mac 上模型"莫名很慢" ：先检查 omlx 的原生内核有没有编译成功------缺了会静默回退到慢路径，官方实测差距可达 30 倍，且没有任何报错。
2. 以为 Ollama 能扛并发：它的强项是简单，不是吞吐。多人重度使用请上 vLLM。
3. 显存只算模型本体：KV 缓存随上下文长度和并发数增长，长上下文 + 多并发时显存需求远超模型文件大小。这也是 PagedAttention 存在的意义。
4. 量化档位无脑拉满：Q8 不一定比 Q4 好------参数规模更大的 Q4 模型，通常强于同显存下能塞下的更小模型的 Q8。
5. 服务直接暴露公网：无论 Ollama 还是 vLLM，默认都没有认证体系。要么绑内网，要么自己加网关认证。

---

七、我的三个判断

1. 推理引擎正在"分层固化"：llama.cpp 守地基、Ollama 守易用性、vLLM 守吞吐、MLX 守 Apple Silicon------每层都已有事实标准，新项目想入场必须找新的缝（比如 omlx 切中的"Mac 服务化 + KV 缓存落盘"）。

2. "本地模型 + 编码 Agent"会快速发展 。ollama launch claude 这种一条命令的组合方式，正在把"数据不出本机的 AI 编程"变成普通人的选项。

3. 硬件中立性越来越重要。vLLM 官方支持清单里华为昇腾、TPU、Gaudi 并列出现------异构算力时代，绑定单一硬件生态的风险会越来越高。

---

如果这篇帮你理清了选型思路，点个赞、收个藏。

---

资料来源：Ollama、vLLM、llama.cpp、omlx 官方 README 与文档（2026-09）；PagedAttention 论文 arXiv:2309.06180（SOSP 2023）。