打开 Hugging Face 的模型榜单前排几乎每周都在换。Llama、Qwen、DeepSeek、Mistral、GLM……对想在自己的项目里跑一个开源模型的开发者来说问题早已不是有没有得选而是选错了要多花多少冤枉钱。这篇文章按实际落地时真正会遇到的问题把主流开源模型家族捋一遍并给出一张可以直接照着做的选型决策表。主流开源模型家族速览先把当前第一梯队的玩家摆在一起| 模型家族 | 代表版本 | 常用规格 | 许可证 | 特点 | | --- | --- | --- | --- | --- | | LlamaMeta | Llama 3.1 / 3.3 | 8B / 70B / 405B | Llama Community License | 生态最成熟工具链适配最广中文一般 | | Qwen阿里 | Qwen2.5 | 0.5B~72B 全尺寸 | 多数 Apache 2.0 | 中文最强一档小尺寸覆盖最全 | | DeepSeek | DeepSeek-V3 / R1 | 671B(MoE) / 蒸馏版 | 模型权重 MIT 系 | 推理能力突出R1 开源了推理链路线 | | Mistral | Mistral Small / Large 系 | 7B~123B | 部分 Apache 2.0 | 欧洲背景架构创新多滑窗注意力等 | | GLM智谱 | GLM-4 系列 | 9B 等开源档 | 自定义许可 | 中文与 Agent 能力均衡工具调用稳 |几个需要纠正的常见误解第一开源不等于随便商用——Llama 的社区许可对超大用户量的产品有额外条款各家的许可细节发布前务必读原文第二MoE 大模型的名义参数和激活参数是两回事DeepSeek-V3 总参数 671B 但每次只激活约 37B部署成本不能按总参数线性估算第三蒸馏小模型如基于 R1 蒸馏的 Qwen 小尺寸版是推理能力下沉到消费级显卡的现实路径别小看 7B~14B 这一档。选型时真正要回答的五个问题1. 显存够不够这是最硬的约束。粗算公式FP16 推理约需 参数规模 × 2GB 显存INT8 量化减半INT4 再减半。也就是说 8B 模型 INT4 量化后 5GB 上下一张 RTX 4060 就能跑72B 全精度需要 150GB 级得上多卡 A100/H100 或者走云端 API。2. 中文重不重要业务以中文为主的话Qwen 和 GLM 的第一梯队地位很稳Llama 系中文能用在微调后但开箱体验有差距。3. 需不需要超长上下文处理整本财报、长篇合同的场景要关注模型的原生上下文窗口和位置编码外推能力更要实测——标称 128K 不等于 128K 处还能准确保留信息中间段落遗忘是普遍问题。4. 工具链生态匹配吗Llama 的第三方教程、量化包、微调脚本密度最高遇到问题最容易搜到答案。Qwen 在国内文档与社区响应上占优。冷门票型虽然榜单好看一旦踩坑可能孤立无援。5. 微调还是提示词如果需求靠提示词 RAG 能覆盖就别微调。微调的真实成本不在训练那几小时而在数据构造、评测集维护和版本回归。6. 本地部署还是调 API数据敏感、调用量大且稳定的业务本地部署的长期成本更低调用量小或波动大的场景云端 API 的弹性更划算。一个常被忽略的折中方案是小模型本地 大模型云端的混合架构常规请求用本地 7B 处理遇到复杂任务再路由到更强模型既控成本又保隐私。本地部署用 vLLM 起一个生产级服务Transformers 直接generate适合调试真要对外服务vLLM 的 PagedAttention 和连续批处理能把吞吐拉高一个数量级。以 Qwen2.5-7B 为例# 启动 OpenAI 兼容服务单卡即可跑 INT8/FP16 的 7B python -m vllm.entrypoints.openai.api_server \ --model Qwen/Qwen2.5-7B-Instruct \ --max-model-len 32768 \ --gpu-memory-utilization 0.9调用方完全按 OpenAI SDK 的习惯写from openai import OpenAI client OpenAI(base_urlhttp://localhost:8000/v1, api_keyEMPTY) resp client.chat.completions.create( modelQwen/Qwen2.5-7B-Instruct, messages[ {role: system, content: 你是严谨的技术助手。}, {role: user, content: 解释 PagedAttention 解决了什么问题}, ], temperature0.7, max_tokens512) print(resp.choices[0].message.content)这套 OpenAI 兼容协议是当下部署层的事实标准Ollama 适合个人快速试玩vLLM 面向生产吞吐SGLang 在复杂 Agent 调用场景有优势三者的应用层代码几乎不用改。量化策略也值得单独说一句。INT4 量化如 GPTQ、AWQ能把 7B 模型压进 5GB 显存但会带来可测量的精度损失对数学推理和代码生成这类硬任务影响更明显。稳妥的做法是开发调试期用 FP16 或 INT8 保证行为符合预期上线压成本时再切 INT4并且切换前后必须跑一遍评测集对比确认核心业务指标没有回退。量化不是免费的午餐只是大多
打开 Hugging Face 的模型榜单前排几乎每周都在换。Llama、Qwen、DeepSeek、Mistral、GLM……对想在自己的项目里跑一个开源模型的开发者来说问题早已不是有没有得选而是选错了要多花多少冤枉钱。这篇文章按实际落地时真正会遇到的问题把主流开源模型家族捋一遍并给出一张可以直接照着做的选型决策表。主流开源模型家族速览先把当前第一梯队的玩家摆在一起| 模型家族 | 代表版本 | 常用规格 | 许可证 | 特点 | | --- | --- | --- | --- | --- | | LlamaMeta | Llama 3.1 / 3.3 | 8B / 70B / 405B | Llama Community License | 生态最成熟工具链适配最广中文一般 | | Qwen阿里 | Qwen2.5 | 0.5B~72B 全尺寸 | 多数 Apache 2.0 | 中文最强一档小尺寸覆盖最全 | | DeepSeek | DeepSeek-V3 / R1 | 671B(MoE) / 蒸馏版 | 模型权重 MIT 系 | 推理能力突出R1 开源了推理链路线 | | Mistral | Mistral Small / Large 系 | 7B~123B | 部分 Apache 2.0 | 欧洲背景架构创新多滑窗注意力等 | | GLM智谱 | GLM-4 系列 | 9B 等开源档 | 自定义许可 | 中文与 Agent 能力均衡工具调用稳 |几个需要纠正的常见误解第一开源不等于随便商用——Llama 的社区许可对超大用户量的产品有额外条款各家的许可细节发布前务必读原文第二MoE 大模型的名义参数和激活参数是两回事DeepSeek-V3 总参数 671B 但每次只激活约 37B部署成本不能按总参数线性估算第三蒸馏小模型如基于 R1 蒸馏的 Qwen 小尺寸版是推理能力下沉到消费级显卡的现实路径别小看 7B~14B 这一档。选型时真正要回答的五个问题1. 显存够不够这是最硬的约束。粗算公式FP16 推理约需 参数规模 × 2GB 显存INT8 量化减半INT4 再减半。也就是说 8B 模型 INT4 量化后 5GB 上下一张 RTX 4060 就能跑72B 全精度需要 150GB 级得上多卡 A100/H100 或者走云端 API。2. 中文重不重要业务以中文为主的话Qwen 和 GLM 的第一梯队地位很稳Llama 系中文能用在微调后但开箱体验有差距。3. 需不需要超长上下文处理整本财报、长篇合同的场景要关注模型的原生上下文窗口和位置编码外推能力更要实测——标称 128K 不等于 128K 处还能准确保留信息中间段落遗忘是普遍问题。4. 工具链生态匹配吗Llama 的第三方教程、量化包、微调脚本密度最高遇到问题最容易搜到答案。Qwen 在国内文档与社区响应上占优。冷门票型虽然榜单好看一旦踩坑可能孤立无援。5. 微调还是提示词如果需求靠提示词 RAG 能覆盖就别微调。微调的真实成本不在训练那几小时而在数据构造、评测集维护和版本回归。6. 本地部署还是调 API数据敏感、调用量大且稳定的业务本地部署的长期成本更低调用量小或波动大的场景云端 API 的弹性更划算。一个常被忽略的折中方案是小模型本地 大模型云端的混合架构常规请求用本地 7B 处理遇到复杂任务再路由到更强模型既控成本又保隐私。本地部署用 vLLM 起一个生产级服务Transformers 直接generate适合调试真要对外服务vLLM 的 PagedAttention 和连续批处理能把吞吐拉高一个数量级。以 Qwen2.5-7B 为例# 启动 OpenAI 兼容服务单卡即可跑 INT8/FP16 的 7B python -m vllm.entrypoints.openai.api_server \ --model Qwen/Qwen2.5-7B-Instruct \ --max-model-len 32768 \ --gpu-memory-utilization 0.9调用方完全按 OpenAI SDK 的习惯写from openai import OpenAI client OpenAI(base_urlhttp://localhost:8000/v1, api_keyEMPTY) resp client.chat.completions.create( modelQwen/Qwen2.5-7B-Instruct, messages[ {role: system, content: 你是严谨的技术助手。}, {role: user, content: 解释 PagedAttention 解决了什么问题}, ], temperature0.7, max_tokens512) print(resp.choices[0].message.content)这套 OpenAI 兼容协议是当下部署层的事实标准Ollama 适合个人快速试玩vLLM 面向生产吞吐SGLang 在复杂 Agent 调用场景有优势三者的应用层代码几乎不用改。量化策略也值得单独说一句。INT4 量化如 GPTQ、AWQ能把 7B 模型压进 5GB 显存但会带来可测量的精度损失对数学推理和代码生成这类硬任务影响更明显。稳妥的做法是开发调试期用 FP16 或 INT8 保证行为符合预期上线压成本时再切 INT4并且切换前后必须跑一遍评测集对比确认核心业务指标没有回退。量化不是免费的午餐只是大多
