5个本地流畅运行大模型的免费工具

news2024/11/25 15:50:42

大家好，随着大型语言模型（LLM）驱动的聊天机器人逐渐普及，给人们的工作和生活带来了前所未有的便利。然而，这种便捷性背后潜藏着个人隐私信息被泄露的风险，例如AI公司会收集聊天记录和元数据来优化模型，从而提升服务，这不禁让用户担忧。

对于注重隐私的用户而言，本地部署这些模型，可以有效保护个人隐私，同时也能更自主地管理自己的数据。本文将介绍5个在本地使用大型语言模型（LLM）的工具，这些工具不仅兼容主流操作系统，而且安装过程快捷简便。

1 GPT4All

安装链接：https://gpt4all.io/index.html

GPT4All是开源软件，可从网站下载GPT4ALL并将其安装在你的系统上。

安装后从面板中选择适合需求的模型开始使用，如果电脑装有CUDA（Nvidia的GPU驱动），GPT4ALL软件会自动利用GPU加速，快速生成回复，速度可达每秒30个令牌。

只需授权GPT4ALL访问存放重要文件和代码的文件夹，GPT4ALL就能利用检索增强生成技术，迅速生成精准的回复。

这款软件用户界面友好，响应迅速，在人工智能领域备受推崇。

2 LM Studio

安装链接：https://lmstudio.ai/

LM Studio 是一款用户友好的桌面应用，专为本地和开源的大型语言模型（LLM）的实验设计，操作简单直观。

使用LM Studio，可以：

在笔记本电脑上完全离线运行LLM
通过应用程序内的聊天界面或兼容OpenAI的本地服务器来使用模型
从HuggingFace资源库下载兼容的模型文件
在应用程序的主页面发现新的和值得注意的LLM

与 GPT4ALL 相比，LM Studio 具有多项优势。

首先，用户界面非常出色，仅需几次点击，就可完成安装 Hugging Face Hub 上的任意模型。

此外，LM Studio 还支持 GPU 加速功能，并提供 GPT4ALL 所不具备的一些额外选项。

需要注意的是，LM Studio 是一个闭源软件，它不提供通过读取项目文件来生成上下文感知响应的功能。

3 Ollama

安装链接：https://ollama.com/

Ollama提供了一种轻量级和用户友好的方式来搭建和运行各种开源LLM，消除了复杂配置或依赖外部服务器的需要，适用于多种应用场景：

开发：允许开发人员对 LLM 项目进行实验和快速迭代，而无需将其部署到云端。
研究：研究人员可以使用Ollama在受控环境中研究LLM的行为，从而促进深入分析。
隐私：在本地运行 LLM 可确保数据不会离开你的机器，这对敏感信息很重要。

Ollama 预置了训练有素的语言模型库，例如：

Llama 2：能够执行文本生成、翻译和问答等多种任务的大型语言模型。
Mistral：在大量文本和代码数据集上训练的事实性语言模型。
Gemma：专为对话应用设计的语言模型，旨在增强对话的互动性和吸引力。
LLaVA：针对聊天和教学用例训练的强大模型。

该库简化了预训练模型的集成流程，开发人员可以直接在应用程序中使用这些模型，无需从零开始训练，大大节省了时间和资源。Ollama充分利用了NVIDIA GPU以及现代CPU的高级指令集（如AVX和AVX2）来加速模型的运行，整个过程无需复杂的配置或虚拟化操作。

在下面的示例中，我们可以下载Mistral LLM：

下载模型后，可以开始询问与它聊天：

4 LLaMA.cpp

安装链接：https://github.com/ggerganov/llama.cpp

LLaMA.cpp由Georgi Gerganov开发。它以 C/C++ 语言高效实现了 Meta 的 LLaMa 模型架构，并且是围绕LLM推理的最活跃的开源社区之一，拥有超过390名贡献者，在官方GitHub仓库上有43,000+个星标和 930 多次的发布。

Llama.cpp的核心是原始的Llama模型，该模型采用变换器架构构建。开发者们不仅采用了该领域后续的各种改进，还参考了如 PaLM 等其他模型的特点，来进一步提升模型的性能和应用范围。

可以使用以下命令安装：

pip install llama-cpp-python

安装后，使用以下命令导入：

from llama_cpp import Llama

上面导入的 Llama 类包含的主要构造函数在使用 Llama.cpp 时会被调用，它接受多个参数，并不仅限于以下列出的这些。完整的参数列表可以在官方文档中找到(https://llama-cpp-python.readthedocs.io/en/latest/api-reference/#llama_cpp.Llama)：

model_path：正在使用的Llama模型文件的路径.
prompt：模型的输入提示。该文本将被标记化并传递给模型。
device：用于运行Llama模型的设备；此类设备可以是CPU或GPU。
max_tokens：模型响应中要生成的最大令牌数。
stop：会导致模型生成过程停止的字符串列表。
temperature：这个值在0到1之间。值越低，结果越确定性。反之，数值越高，随机性越大，输出也就越多样、越有创意。
top_p：用于控制预测的多样性，即选择累积概率超过给定阈值的最有可能的令牌。从零开始，数值越大，找到更好输出结果的几率越大，但需要额外的计算。
echo：一个布尔值，用于确定模型是否在开头包含原始提示（True）或不包含（False）

例如，假设要使用一个名为“MY_AWESOME_MODEL”的大型语言模型，该模型存储在当前工作目录中，实例化过程如下所示：

# 实例化模型
my_aweseome_llama_model = Llama(model_path="./MY_AWESOME_MODEL")


prompt = "This is a prompt"
max_tokens = 100
temperature = 0.3
top_p = 0.1
echo = True
stop = ["Q", "\n"]


# 定义参数
model_output = my_aweseome_llama_model(
       prompt,
       max_tokens=max_tokens,
       temperature=temperature,
       top_p=top_p,
       echo=echo,
       stop=stop,
   )
final_result = model_output["choices"][0]["text"].strip()

5 NVIDIA RTX聊天

安装链接：https://www.nvidia.com/en-us/ai-on-rtx/chatrtx/

ChatRTX 是一款演示应用程序，用户可以通过 GPT 大型语言模型（LLM）个性化地接入自己的内容，包括文档、笔记或其他数据。利用检索增强生成（RAG）、TensorRT-LLM 和 RTX 加速，可以查询自定义聊天机器人，快速获得与上下文相关的答案。由于所有操作都在 Windows RTX PC 或工作站上本地运行，因此用户可以获得快速、安全的结果。