因工作需要，在一台windows台式机里塞了一块4090显卡，来做大模型推理的简单demo。网上看到了部署神器Ollama, 于是准备试一下。

（1）工具安装

官网 Ollama 下载即可，就是速度有点慢。下载完成后直接是exe文件，一键点击安装。安装完成后右下角出现羊驼小标，浏览器输入“127.0.0.1:11434”, 出现“ollama is running”就代表已经安装成功了。

（2）模型下载：

这里踩坑了。因为第一步时ollama下载速度比较慢，我误以为使用ollama自带的模型下载会比较慢。于是自作聪明地去modelscope 上下好了safetensors模型，想通过ollama加载。结果……发现为了便于win和MacOS系统的部署，ollama其实只支持GGUF格式的模型，safetensors模型需要进行模型转换，弃疗了。

干脆直接在命令行里使用ollama pull, 结果发现速度竟然出奇地快，几乎达到10M/s, 比modelscope下载速度还要快。特别提示一下， ollama下载的模型其实是量化后的模型，因此显存占用会比直接从huggingface或modelscope下载的原模型低一些。以4090渣卡为例，可以放心部署14B大小的模型。

模型下载完成后就可以在cmd命令行里进行交互式问答了。假如下载的模型是qwen2.5:7b, 那么就可以使用ollama run qwen2.5:7b。还有一点要注意的就是设置系统环境变量（OLLAMA_HOST, OLLAMA_MODEL，OLLAMA_ORINGINS ），主要是为了模型管理方便和跨设备提供服务。

（2）部署和调用

部署这里也是有一些小坑。翻看网络各种教程，对于ollama的api写法各有不同，其实就使用而言，最简单的request方法就可以奏效（注意在/api/generate 下，是没有“message”字段的）。

import requests
url = 'http://localhost:11434/api/generate'
def get_request(query):
    data = {
        "model": qwen2.5:7b,
        "prompt": query,
        "stream": False

    }
    response = requests.post(url, json=data)
    return response

但是这里没有关于生成参数的设置方式，比如，某些场景下，我们不希望模型生成随机答案。又一番百度之后，发现其实传入参数还有一个options可以设置：

gen_option = {"temperature":0.0} #设置生成参数，取消随机性
data = {"model": "qwen2.5:7b",
        "prompt": query,
        "options": gen_option
        "stream": False

    }
    response = requests.post(url, json=data)
    return response

我设置了do_sample:False, 结果发现并没有起作用。网上各种教程中对于option内参数格式很少提及，好不容易找到了全部参数的说明，马克一下：

docs/modelfile.md · Gitee 极速下载/ollama - Gitee.com​gitee.com/mirrors/ollama/blob/main/docs/modelfile.md​编辑

   如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

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
  • L2.3 流水线工程
  • 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
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • 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

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​