太酷了！手机上部署最新AI大模型！只需2步！_openai 本机部署

admin 管理员组

文章数量: 887018

在当前的AI革命中，大模型扮演着至关重要的角色，而这**背后的基础便是Scaling Law。简而言之，随着数据、参数和计算能力的不断提升，大模型的能力也随之增强，展现出小规模模型所无法比拟的“涌现能力”。**越来越多的AI企业纷纷推出开源大模型，按照扩展定律实现指数级的增长，为AI领域的发展注入了新的活力和动力。

然而，另一个不可忽视的趋势是，大型模型的体积正在逐渐缩小，这为私有化部署提供了可能。这一趋势对于个人隐私保护要求较高的场景尤为重要。通过无需联网传输数据，直接在设备上运行的AI技术，我们可以增强用户的信任感。尽管云服务器上的AI可能具备更高的性能，但其安全性和可靠性却令人担忧。因此随着模型体积的减小，私有化部署将成为更加可行和受欢迎的选择。

本文介绍几个适合私有化部署的最新大模型，并提供部署指导，手把手部署到电脑及手机。

一、开源大模型

热门的大模型如ChatGPT和Bard受限于专有闭源技术，限制了其应用并模糊了技术透明度。相比之下，开源AI大型模型（LLMs）如Meta的Llama 3和微软的Phi3，不仅增强了数据安全和隐私保护，还降低了成本、减少了外部依赖，并实现了代码透明和模型定制。这些“小而美”的开源模型便于部署，预示着AI技术将更为开放、透明和灵活。

1、Llama 3

近期，Meta发布了开源Llama 3 8B和Llama 3 70B模型，Meta称它们是同体量下性能最佳的开源模型。基准测试显示，Llama 3 400B+实力与Claude和新版GPT-4 Turbo相当，在顶尖模型中占据重要地位。

2. Phi-3

Phi是微软AI研究院的新开源小型语言模型，专为商业环境设计，小巧高效。它包括Mini、Small和Medium三种规模。Phi-3-Mini虽有3.8B参数，但在关键测试中表现出色，与大型模型如Mixtral 8x7B和GPT-3.5相当。更大版本在扩展数据集下表现更佳。

小结

基准测试显示，Llama 3 8B和Phi3 3.8B小模型表现优异。在小规模参数的背后，还有相似的优化方法。由于大型模型性能的关键在于框架、数据和参数。小参数下使用MOE框架意义不大，因此这两个模型注重数据优化，提高数量和质量，这也为精简大型模型指明了方向。

【一一AGI大模型学习 所有资源获取处一一】

①人工智能/大模型学习路线

②AI产品经理入门指南

③大模型方向必读书籍PDF版

④超详细海量大模型实战项目

⑤LLM大模型系统学习教程

⑥640套-AI大模型报告合集

⑦从0-1入门大模型教程视频

⑧AGI大模型技术公开课名额

二、电脑部署的流程

Ollama是部署大型语言模型的强大工具，兼容Llama 3、Mistral、Gemma等模型。部署过程简洁明了：下载并安装Ollama，随后运行模型。

以Windows为例，轻松从官网或文末获取Ollama，一键安装即可。

安装好Ollama后，在命令行中输入【ollama run llama3】并运行，即可轻松下载并启动llama3大型模型（其他模型的运行命令同样适用）。初次下载模型可能需要一些时间，完成后，就可以开始与模型愉快地对话了。

Ollama还支持其他功能如，图片等多模态输入、传入提示词调教模型等，具体可以看下文档。

三、手机部署的流程

与电脑相比，手机在部署大模型方面展现出更大的意义。这是因为手机与我们的日常生活联系得更为紧密，且手机中储存着大量的个人数据，为后续交互提供了极大的便利。当前，许多人手头都有闲置的手机，如果其性能足够强大，那么运行大模型便成为了一个不错的选择。以我的旧手机小米8为例，可以应对这一需求。

要在手机上部署大模型，使用Termux+Ollama就成了。

尽管在手机上部署稍显繁琐，类似于电脑的安装配置过程，但需要搭建Linux环境。尽管安卓系统的底层建立在Linux内核之上，但重新装载Linux并非易事。然而，我偶然发现了一款名为Termux的出色工具，它能在Android设备上流畅运行众多Linux命令和应用程序。只需访问F-Droid官方网站，便能轻松下载安装Termux，为您的移动设备增添强大的Linux功能。

安装后打开Termux如下图。（如有要打开多个Linux窗口，左上角右滑点击New session就可以。）

第一步，利用Termux的proot-distro功能，可便捷安装Linux系统如Ubuntu、Debian或Arch Linux。

// 先来安装proot-distro
pkg install proot-distro//

使用proot-distro安装一个debian
proot-distro install debian

// 安装成功后通过login命令就直接进入debian，为发行版启动一个root shell
proot-distro login debian

第二步，同电脑的流程，安装Ollama，下载及运行大模型。

//进入之后再来安装ollama
curl -fsSL https://ollama.com/install.sh | sh

// 安装完毕可以查看ollama版本进行验证，出现版本号之后就可以使用ollama
ollama -v


// 后台开启ollama服务
nohup ollama serve &

//运行大模型（其他模型的命令如下图，可通过ollama list查看模型） 
ollama run phi3

第一次安装软件和大模型首次可能会花费较长时间，大约需要一小时。但安装完成后，后续使用便捷。只需运行debian系统的login、Ollama服务以及大模型，即可开始使用。

在手机上编写代码有其独特魅力，输入代码并看到屏幕上的输出感觉很酷。然而，安装远程软件如Tailscale或todesk，用电脑编写代码更有趣。但需注意，算力受限会影响大模型的响应速度，同时会增加手机电量消耗。

四、本地大模型的体验

模型表现：大模型表现权威的数据可以看一些相关的测评，比如下图。

经过我初步的测试与体验，手机本地部署的两大模型llama3和Phi3各有千秋。llama3展现出了稳健的性能，而Phi3则在反应速度上占据优势，给我的综合感受带来了不小的惊喜。

响应速度方面，必须承认，无论是手机还是电脑，性能的高低都会对模型的表现产生影响。若能在配备GPU的电脑上运行，或许能得到更为流畅的体验。但在手机上，这两款模型的反应速度确实略显迟缓，有时甚至需要耐心等待几分钟才能得到简短的回应。值得一提的是，Phi3的反应速度明显超过了llama3，这在模型规模上形成了有趣的对比——llama3的8B模型几乎是Phi3的3.8B模型的两倍。

对于中文处理能力，这些开源模型确实存在一些不足。当面对一些不常见的问题时，模型有时会在回答中突然转向英文。此外，很多中文表达含糊不清，导致笑话内容显得有些尴尬。这背后的原因在于，高质量的中文数据集与英文数据集相比仍有较大差距，这一数据层面的差异在未来或许会愈发明显。在中文任务的处理上，llama的表现似乎更胜一筹。如有兴趣，不妨尝试llama的中文版——llama3-Chinese，或许会带来不一样的惊喜。

llama3

phi3

代码能力：看着都有模有样的，但还是可以看出来Phi3有一些语法错误。

llama3

phi3

数学推理：看着都还不错，Phi3感觉更好些。

llama3

phi3

安全性：都有不错的合规意识

llama3

phi3

五、结语

我们不禁感慨，虽然目前AI的实际应用仍显得零星，但技术的发展确实需要时间的积累。大型模型的昂贵推理成本无疑限制了其广泛的推广和应用。

然而，正是像Llama 3和Phi3这样的小模型的崭露头角，让我们看到了大型模型实用化的希望。虽然小模型的训练成本相对较高，但它们低廉的推理成本为整体经济带来了显著的节省，尤其是在为海量用户提供服务时，高性能的小模型让AI摆脱了成本的束缚，更加灵活地应用于各种场景。想象一下，如果我们能够根据自己的需求在本地部署定制化的AI，那种魅力将是无法言喻的！

展望未来，相信随着模型的不断优化和定制AI芯片等技术的快速发展，更多“小而美”的AI大模型将逐渐融入我们的日常生活，让我们更加深入地感受到AI带来的巨大变革！

如何系统的去学习大模型LLM ？

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。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含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。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN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🆓

本文标签： 只需 本机 机上 模型 最新