之前国外有一初学者小哥在Google Colab（A100 40G）利用DPO微调Mistral 7B，微调后的模型在基准测试中取得不错的成绩，从那时起，我觉得在笔记本电脑上运行/微调大模型并非遥不可及的。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

对于初学者而言，如果能在自己的笔记本运行/微调大模型，对自己学习大模型的信心也会大增。所以我最近开始着手准备《初学者笔记本电脑挑战大模型》系列文章，希望对各位想学习大模型的同学有所帮助。

我们在后续文章以笔记本电脑作为载体，从配置环境到运行大模型、到微调、再到RAG、再到大模型应用程序，逐渐展开相关介绍。之前已经提供笔记本配置大模型运行环境的相关介绍，### 笔记本电脑配置及环境

笔记本电脑配置： i9-13900HX/32GB，GPU 4090/16GB

主要使用的编程环境：JetBrains PyCharm，JetBrains WebStorms, Microsoft VS Code

操作系统：Windows 11, WSL Ubuntu

笔记本跑大语言模型简介

我们进入正题，如何在笔记本跑大语言模型？方法有很多种，总结来说，包括llama.cpp（GGUF），ExLlamaV2，AutoGPTQ，AutoAWQ，GPTQ-for-LLaMa以及直接调用huggingface transformers，使用的工具包括LMStudio、oobabooga/text-generation-webui，ollama，llama.cpp等工具，目前性能最好的是EXLlamaV2，但只有oobabooga/text-generation-webui支持，而GGUF格式（该格式是llama.cpp2023年8月推出的格式，用以取代GGML格式，用于GPU/CPU的推理）有很多工具支持。

Ollama介绍

我们今天介绍的工具是ollama，ollama是用Go语言写的开源大模型运行软件（你可以认为是llama.cpp的Go语言版），支持GPU/CPU混合模式，你可以根据自己笔记本电脑GPU、GPU显存以及CPU、内存的情况，选择不同量化版本的大模型。以下是一些参考大模型参数、GGUF文件大小以及下载模型指令：

可以基于量化后文件大小初步判断需要的内存或者显存，当然如果你要比较顺畅运行大模型，至少8G的内存/显存运行7B模型，至少16GB内存/显存运行13B，至少32GB内存/显存运行34B的模型。如果你硬要运行更大的模型，那么需要选择更低精度的量化。根据我电脑配置（16GB GPU显存/32G内存）情况，可以轻松跑7B fp16大模型，比如mistral_7b_16fb，也可以顺畅跑13b_int8，比如llama 2 13b Int8。但如果跑Yi 34B Q5_K_M模型就有点吃力，跑llama70b Q4_K_M更吃力。当然如果降低精度， Yi 34B Q4_K_M 或者Q3就比较顺畅。

ollama安装及使用

安装前的准备

目前ollama支持MacOS和Linux，如果要在Windows使用，需要安装WSL的Ubuntu（目前我就是通过这种方式使用ollama），并且配置WSL的CUDA（如果你有NVidia的GPU，一定要配置好CUDA，这样模型的推理才能使用GPU，推理速度才能更快）。

你可以通过nvidia-smi指令来确认是否安装好WSL的CUDA，如下所示：

接下来安装ollama，安装ollama很简单，通过如下指令即可：

curl https://ollama.ai/install.sh| sh

如果你之前没有安装过curl，可以通过如下指令安装：

sudo apt-get install curl

模型下载和运行

到ollama网站寻找你需要使用的模型，该网站有热门的模型Mistral、llama2等可供下载。

当然如果你需要大模型来辅助你编写代码，你可以下载codellama或者deepseek coder，如下图所示：

找到相应的模型，并拷贝模型下载运行代码，比如下载运行deepseek-coder 6.7b q8量化版

ollama run deepseek-coder:6.7b-base-q8_0

对我的这样配置笔记本电脑来说，运行6.7B Q8量化版很顺畅。

模型运行监控

如果要监控ollama的运行状态，可以输入如下指令：

journalctl -u ollama.service |tail -n 200 |more

总的来说，ollama在Windows的WSL中的安装很简单，下载和运行模型也简单，相信你会喜欢上它的。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

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。

👉大模型视频和PDF合集👈

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。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓