在国产系统上部署开源大模型

最新推荐文章于 2025-11-26 15:49:07 发布
原创 最新推荐文章于 2025-11-26 15:49:07 发布 · 1.5k 阅读 · 28 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#开源 #产品经理 #深度学习 #自然语言处理 #人工智能 #chatgpt

部署运行你感兴趣的模型镜像

本地部署大模型的方法很多，一般选择 docker 容器部署，或者使用本地服务框架。这里介绍使用本地服务框架 Ollama 部署。

Ollama 大模型框架

Ollama 是一个新兴的大模型框架，旨在为机器学习和人工智能研究提供高效、灵活和可扩展的解决方案。随着深度学习模型的复杂性和规模不断增加，开发者和研究人员需要更强大的工具来处理大规模数据和复杂的模型架构。Ollama 正是在这种需求下应运而生的。

Ollama 的核心特点

  1. 高效计算：Ollama 采用先进的分布式计算技术，可以在多 GPU 、多节点环境中高效运行。这使得它能够处理大规模数据集和复杂的模型训练任务，大大缩短了训练时间。

  2. 灵活性：Ollama 支持多种深度学习框架，如 TensorFlow、PyTorch 等，开发者可以根据项目需要选择最合适的工具。同时，Ollama 还提供了丰富的 API 和库，方便用户进行自定义开发和扩展。

  3. 可扩展性：Ollama 具有强大的扩展能力，可以轻松应对模型和数据规模的增长。无论是初创公司的小型项目，还是大企业的大型应用，Ollama 都能提供稳定和高效的支持。

  4. 易用性：Ollama 注重用户体验，提供了简洁明了的用户界面和详细的文档说明。即使是没有深厚技术背景的用户，也可以快速上手，利用 Ollama 进行模型训练和部署。

Ollama 安装与运行

在 Deepin 系统下，安装 Ollama 非常简单，只需要如下命令：

$ curl -fsSL https://ollama.com/install.sh | sh   >>> Downloading ollama...   ######################################################################## 100.0%-=O=#  #   #   #               ######################################################################## 100.0%   >>> Installing ollama to /usr/local/bin...   请输入密码

Ollama 默认会安装在 /usr/local/bin 目录下，安装完毕之后，可以在命令行运行 ollama，如果不知道有哪些命令，可以从 ollama help 开始：

(base) alex@alex-deepin-os:~$ ollama help   Large language model runner      Usage:     ollama [flags]     ollama [command]      Available Commands:     serve       Start ollama     create      Create a model from a Modelfile     show        Show information for a model     run         Run a model     pull        Pull a model from a registry     push        Push a model to a registry     list        List models     ps          List running models     cp          Copy a model     rm          Remove a model     help        Help about any command      Flags:     -h, --help      help for ollama     -v, --version   Show version information      Use "ollama [command] --help" for more information about a command.

可以看到，ollama 的命令行参数和 docker 有些相似。启动一个大模型非常简单，比如我想运行 gemma2 27b 参数的大模型：

`(base) alex@alex-deepin-os:~$ ollama run gemma2:27b   pulling manifest    pulling d7e4b00a7d7a...   4% ▕█                                             ▏ 655 MB/ 15 GB`

ollama 会自动完成模型文件的下载，容器的创建，并运行起来。ollama 本身提供了命令行交互接口。

(base) alex@alex-deepin-os:~$ ollama run gemma2   >>> Send a message (/? for help)

此外，Ollama 还提供了和 OpenAI API 兼容的接口服务，本地服务的地址为：

http://127.0.0.1:11434

配置 UOS AI

添加 UOS AI 账号，模型类型还是选择自定义，API Key 不用填，模型名就填写 ollama 运行的大模型名，比如 gemma2，如果运行的是 gemma2 27b 版本，就填写 gemma2:27b，API 地址填写 http://127.0.0.1:11434/v1

配置完成后，在下拉框中选择刚配置的账号。

接下来就可以愉快的和 AI 对话了。

我使用的是 Google 的 Gemma2 9b 大模型，速度还挺快。

如果你想尝试其它的大模型，可以去 ollama 的模型仓库看看。

https://ollama.com/library

里面收录了很多大模型，比如 llama3、qwen2、deepseek-coder-v2 等。

小结

写到这里，是不是感觉到在 Deepin 系统上部署大模型太简单了？是的，各种服务框架的出现，让我们不用手写代码就能部署大模型，其实本地服务框架远不止 ollama，还有 FastAPI、Streamlit 等等众多框架，甚至还有更多的高级框架，如 Dify，提供的功能更多更强。让我们慢慢探索吧！

那么，如何系统的去学习大模型LLM？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

篇幅有限，部分资料如下：

👉LLM大模型学习指南+路线汇总👈

💥大模型入门要点，扫盲必看！
在这里插入图片描述
💥既然要系统的学习大模型，那么学习路线是必不可少的，这份路线能帮助你快速梳理知识，形成自己的体系。

路线图很大就不一一展示了 （文末领取）
在这里插入图片描述

👉大模型入门实战训练👈

💥光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
在这里插入图片描述

👉国内企业大模型落地应用案例👈

💥两本《中国大模型落地应用案例集》 收录了近两年151个优秀的大模型落地应用案例，这些案例覆盖了金融、医疗、教育、交通、制造等众多领域，无论是对于大模型技术的研究者，还是对于希望了解大模型技术在实际业务中如何应用的业内人士，都具有很高的参考价值。 （文末领取）
在这里插入图片描述

👉GitHub海量高星开源项目👈

💥收集整理了海量的开源项目，地址、代码、文档等等全都下载共享给大家一起学习！
在这里插入图片描述

👉LLM大模型学习视频👈

💥观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。 （文末领取）
在这里插入图片描述

👉640份大模型行业报告（持续更新）👈

💥包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
在这里插入图片描述

👉获取方式：

这份完整版的大模型 LLM 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓

您可能感兴趣的与本文相关的镜像

Llama Factory

Llama Factory

模型微调
LLama-Factory

LLaMA Factory 是一个简单易用且高效的大型语言模型（Large Language Model）训练与微调平台。通过 LLaMA Factory，可以在无需编写任何代码的前提下，在本地完成上百种预训练模型的微调

A Survey of Reinforcement Learning for Large Reasoning Models
c_cpp_csharp的专栏
09-22 266
本文综述了强化学习（RL）在大型语言模型（LLMs）推理能力提升中的最新进展。RL在拓展LLM能力边界方面取得了显著成功，尤其在解决数学、编码等复杂逻辑任务中表现突出，已成为将LLMs转化为大型推理模型（LRMs）的基础方法。随着该领域的快速发展，RL在LRMs中的规模化应用目前不仅面临计算资源的基础挑战，还受制于算法设计、训练数据与基础设施等多重限制。鉴于此，当前亟需回顾该领域的发展历程、重新评估其演进轨迹，并探索提升RL可扩展性以迈向通用人工智能（ASI）的策略。
Continual Learning of Large Language Models: A Comprehensive Survey
c_cpp_csharp的专栏
07-15 1388
有效和高效地将静态预训练的大型语言模型（LLM）适应不断发展的数据分布的挑战仍然是主要的。当为特定需求量身定制时，经过预训练的LLM在先前的知识领域中经常会出现明显的性能下降，这种现象被称为“灾难性遗忘”。尽管在持续学习（CL）领域进行了广泛的研究，但这个问题在LLMs领域呈现出新的表现形式。在本次调查中，我们全面概述并详细讨论了CL背景下LLMs的当前研究进展。
【论文阅读】A Survey of Reinforcement Learning for Large Reasoning Models
bylander的博客
09-24 2261
在本文中，我们综述了利用强化学习赋能大型语言模型进行推理的近期进展。强化学习在推动 LLM 能力前沿方面取得了卓越的成功，尤其是在解决数学和编程等复杂的逻辑任务上。因此，强化学习已成为将 LLM 转变为语言推理模型 (LRM) 的一种基础性方法。随着该领域的飞速发展，将强化学习进一步扩展应用于 LRM 不仅在计算资源方面，也在算法设计、训练数据和基础设施方面面临着基础性挑战。为此，我们有必要及时回顾该领域的发展历程，重新评估其发展轨迹，并探索各种策略来增强强化学习的可扩展性，以期最终迈向超级人工智能 (AS
推理模型RL综述
acccc1122的博客
09-13 987
强化学习并非不需要数据，而是**它自己就是数据的生产者**。
LLMs之RL之LRM：《A Survey of Reinforcement Learning for Large Reasoning Models》翻译与解读
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
11-06 1334
​ LLMs之RL之LRM：《A Survey of Reinforcement Learning for Large Reasoning Models》翻译与解读 目录 《A Survey of Reinforcement Learning for Large Reasoning Models》翻译与解读 Abstract 1、Introduction
锐化与发现：大型推理模型中强化学习的七大核心争议
欢迎来到我的博客
10-10 1085
验证者法则作为理解RL应用边界的核心理论框架，揭示了任务特性与RL效果之间的内在联系。文章开头已经阐述过验证者法则，基于这一法则，我们可以将任务分为三类，每类对RL的适用性有显著差异：1.可验证问题：具有明确答案和自动验证机制的任务数学问题：答案可通过符号计算验证代码生成：可通过编译器和测试框架验证科学推理：可通过模拟或实验验证2.半可验证问题：部分步骤可验证，整体较主观多模态推理：关键步骤可验证，整体解释较主观医疗诊断：基于证据的推理可验证，最终诊断较主观3.主观问题：缺乏客观验证标准。
清华与上海AI Lab发布LLM推理能力强化学习综述
zenRRan的博客
09-12 1104
智能体在环境中观察到“状态”（State），并根据其“策略”（Policy）选择一个“动作”（Action），执行动作后，智能体会得到一个“奖励”（Reward），并进入一个新的状态。这篇论文的发布，不仅为研究人员提供了宝贵的参考，也向所有人揭示了RL与LLM结合所蕴含的巨大潜力，预示着一个由RL驱动的，能够自主推理、自我完善的超智能时代的到来。动态采样允许模型在与环境互动时生成新的、多样化的数据，而结构化采样则确保生成的数据具有特定的格式或结构，例如，遵循逻辑链或特定的问题解决步骤。
论文阅读:A Survey of Efficient Reasoning for Large Reasoning Models: Language, Multimodality, and Beyond
yul1024的博客
04-12 992
大推理模型(LRM)最近很火，而一个很常见的问题是，这些模型的推理效率过低，多长的推理过程，并且冗余内容很多。对于简单问题过分推理，对于困难问题肤浅推理。LLM发展到现在有2类，1是之前的可以快速自动决策的LLM，2是现在的面对复杂推理任务进行结构化分析的LRM。LRM显式生成中间推理步骤，也就是中间的CoT。效率也应该是智能的一部分，而不仅仅是推理本身。模型需要知道如何优化推理路径，平衡成本和性能。
论文阅读：LLM4Drive: A Survey of Large Language Models for Autonomous Driving
m0_53605808的博客
06-05 1347
自动驾驶技术作为推动交通和城市出行变革的催化剂，正从基于规则的系统向数据驱动策略转变。传统的模块化系统受限于级联模块间的累积误差和缺乏灵活性的预设规则。相比之下，端到端自动驾驶系统因其完全数据驱动的训练过程有望避免误差累积，但其 “黑箱” 特性往往导致透明度不足，使得决策的验证和追溯复杂化。最近，大型语言模型（LLMs）已展现出上下文理解、逻辑推理和生成答案等能力。一个自然的想法是利用这些能力为自动驾驶赋能。
A Survey of Large Language Models大模型综述论文章节总结
weixin_45320238的博客
10-17 2350
这篇论文出自于中国人民大学，全面回顾了大型语言模型 (LLM) 的最新进展，重点关注其发展背景、关键发现和主流技术。
论文阅读：A Survey on Large Language Models for Code Generation
m0_53605808的博客
06-25 1376
大型语言模型（LLMs）在各种代码相关任务中取得了显著进【展，被称为代码 LLMs，尤其在从自然语言描述生成源代码的代码生成任务中表现突出。这一新兴领域因其在软件开发中的实际意义，如 GitHub Copilot，引起了学术研究人员和行业专业人士的极大兴趣。尽管从自然语言处理（NLP）或软件工程（SE）或两者的角度对 LLMs 进行了各种代码任务的积极探索，但缺乏专门针对代码生成 LLMs 的全面且最新的文献综述。
周二晚8点！一起系统聊聊面向推理模型的 RL 研究
青年AI研究员idea加油站，AI开发者的新能源充电桩。
10-20 429
清华大学与上海人工智能实验室联合发布《大型推理模型的强化学习综述》，系统梳理了RL在推理模型中的应用。该研究探讨了RL基础组成、前沿问题及未来挑战，重点关注大模型与环境交互学习。10月21日晚8点，清华大学博士生张开颜将在青稞Talk第80期直播分享相关研究成果，内容涵盖RL建模定义、优化方案对比及未来研究方向。直播将在青稞社区视频号与B站同步进行。
保姆级拆解！从RLHF到RLVR，大型推理模型技术全突破！原理+实战+避坑，一篇吃透！
Python_cocola的博客
09-29 1209
导读**：近期，一篇名为《A Survey of Reinforcement Learning for Large Reasoning Models》的综述性文章系统梳理了强化学习（RL）在前沿大型推理模型（LRM）中的应用、挑战与未来方向。本文旨在为领域内的研究者与从业者，提供对该篇综述的专业化、结构化解读，提炼其核心技术脉络与前沿洞见。
强化学习 | (1) The Review of Reinforcement Learning
sdu_hao的博客
02-04 804
本文翻译自 A (Long) Peek into Reinforcement Learning 在本文中，我们将简要介绍强化学习（RL）这个领域，从基本概念到经典算法。 近年来，人工智能（AI）领域出现了两个令人振奋的消息。 AlphaGo在围棋游戏中击败了最好的职业人类玩家。 之后扩展的算法AlphaGo Zero在没有人类知识监督学习的情况下，以100-0击败了AlphaGo。 在DOTA2 1v1竞赛中，顶级专业游戏玩家输给了OpenAI开发的机器人。 知道了这些之后，很难不对这些算法背后的魔力-强化
强化学习综述（机器学习角度）
JessieLT的博客
06-10 596
Reinforcement Learning：A Survey 作者：Leslie Pack Kaelbling, Michael L. Littman, Andrew W. Moore （整理转自https://zhuanlan.zhihu.com/p/72296706） 目录摘要1 引言1.1 强化学习模型1.2 最优行为模型1.3 学习性能的评估1.4 强化学习和自适应控制2 探索与利用：单一状态情况2.1 被形式化证明了的方法2.1.1 动态规划2.1.2 Gittins分配指数2.1.3 自动机学
《RWKV》论文笔记
Zssss12的博客
07-09 2055
这些通常涉及复杂的顺序数据处理任务比如自然语言理解任务，会话AI，时间序列分析，和间接顺序格式，如图像和图表(Brown等人，2020;到目前为止，我们将我们的模型扩展到多达 14 亿个参数，是迄今为止训练的最大密集 RNN，发现 RWKV 的性能与类似大小的 Transformer 相当，这表明未来的工作可以利用这种架构来创建更有效的模型。在该架构中，计算中涉及的所有线性投影向量(R, K, V，通道混合中的R '， K ')都是通过当前时间步输入和前一个时间步输入之间的线性插值产生的，促进令牌移位。
深度强化学习简要概述(A brief Survey of deep reinforcement learning)
热门推荐
KyrieHe的博客
03-09 1万+
深度强化学习简要概述 作者：Kai Arulkumaran, Marc Peter Deisenroth, Miles Brundage, Anil Anthony Bharath paper地址: A brief Survey of deep reinforcement learning 摘要 深度强化学习（DRL）将为人工智能领域带来革命性的变化，并代表着朝向构建对视觉世界...
信息检索13
最新发布
2301_80828873的博客
11-26 2220
最近邻检索的方法，PQ，IVF,HNSW
Large Language Model Guided Deep Reinforcement Learning for Decision Making in Autonomous Driving
11-24
- 引用[1]的《A Survey on Multimodal Large Language Models for Autonomous Driving》概述了多模态LLM的整体进展，可作为背景参考[^1]。 如果您提供更多细节（如特定算法或场景），我可以进一步细化分析。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值