当前位置：首页 > article >正文

【AI大模型】尝试 Google Gemma 模型 MacOS 本地部署

article 2024/12/27 14:07:25

前言

最近 Google 发布了 Gemma，是 Gemini 的低配版本，既然是 Google 出品那我一定要来吃螃蟹的。所以我本地部署了一个 7b 的版本来尝试使用一下看看效果。同时也来说明一些有关大模型本地部署使用的一些个人体会，比如，你可能会有以下问题：

怎么本地部署使用？
我本地的电脑能不能跑？
本地跑的效果到底怎么样？

首先，我想敲醒你沉睡的脑子。对于本地部署模型，你先要问清楚自己想要的是什么？也就是为什么需要本地部署，如果仅仅是想跑着玩，那没问题。如果只是平常使用，并且你已经能用 GPT 了，本地其实对于你来说毫无意义，因为你指望你的小电脑哪怕是大显卡能和别人成吨的 A100 相比吗？（夸张的修辞）如果，醒了还是想玩，那么可以往下看了，最后我会总结本地去跑有哪些优势。

如何部署

这里我推荐两个：

https://ollama.com/
https://jan.ai/

这二者基本都已经做到了开箱即用的地步了，其中我会更喜欢 ollama 一点。所以我就简单列一下它的步骤（其实官网已经描述的非常详细了，也很简单 https://github.com/ollama/ollama）

下载
运行 ollama run gemma
使用

对的，直接在命令行里面就能直接开始问了，并且也提供了 API 接口。如果你需要一个 UI 界面，我推荐使用 https://github.com/open-webui/open-webui 也是一个命令就可以直接在本地运行

代码语言：javascript

复制

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

能不能跑

我本机是 MPB M1 16+256 的配置，一般回答结果反应在 20-30s 左右，根据具体问题的情况来看。我觉得，作为你个人使用，已经是够了。毕竟我也算是老设备了。

然后我给出我的跑的建议（个人总结，仅供参考，能不能跑起来还是实际说了算）：

8G 及以下的，并且用 CPU 的，只建议跑 2b 的版本，虽然官方认为 8G 跑 7b 为下限，但我还是不建议的。
16G 的，7b 够用，其他模型的 13b 也能跑但显然会慢一些，具体就看你 CPU 的能力了。
32G 建议跑 33b 的，当然也要当前模型有
64G 可以尝试跑 70b 的

有大显存显卡的用户肯定会更吃的开一点，但我要说的重点其实是在后面

效果如何

能用！但又不完全能用。（感觉是不是像废话）听我慢慢道来。

测试方面

我不像很多 AI 模型的专业测试一样去测试各种疑难杂症，或者是测试各种幻觉问题或者是违法问题。我就是平常人最普通使用，哪里来那么多破事情呢？下面几个场景我相信能反应一些问题了

翻译

自从用了 AI 翻译之后我是再也不想用原来的普通翻译了，那种 one by one 中式翻译不可谓不难受。对于翻译任务来说，我觉得 Gemma 是可以帮助到你的，虽然依据可能有语法错误，但比一般的翻译好，它能理解一些语意意义的翻译。

做题

数学问题别想了，很容易翻车，其他场景问题还可以。所以如果用它来做题，我不建议。

比如，二进制转换，显然到 15 这里就不对了。

比如，求和，显然也不对。

写代码

我测试了 go 和 rust，go 不错，基本能实现思路，但也会有莫名奇妙不能被调用的方法，rust 可能不太行，也可能是我水平不够，至少编译总是有各种问题。

总结

可以的，我发现 AI 的总结能力还是比较强的，只要给出的内容不是特别零散的，它都能总结的不错，推荐的。

写作

别想了，这我原来也没有期望，当他开始胡说八道的时候我就知道不行了。

重复劳动

可以的，重复劳动有很多的，比如修改各种文章格式，空格、大小写等；再比如对齐；处理表格，简单计算求和。通常来说只要 prompt 写好，来回几次，基本就能得到想要的结果了。

总结

对于本地部署，我想你肯定是有这几方面的考虑：

白嫖：不想花钱买 token，可以，一直白嫖一直爽
隐私：对于被推测的数据不能公开，这一点确实很重要，本地部署直接解决了很多内部数据使用的问题
服务：想要建立服务并调用接口以服务业务场景，说白就是拿来赚钱，但显然现在的反应速度不够，至少需要很多专业设备的支持。

那么，我想告诉你的是，对于现阶段而言，基于我本地部署使用了一段时间之后，我会推荐给想要做本地总结和翻译的用户，这二者的使用上其实是让我满意的，也能达到我的基本需求。其他工作，我还是会直接尝试使用 GPT 来帮助我完成会更加靠谱。

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。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，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🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

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。

在这里插入图片描述

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)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

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

在这里插入图片描述

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