Qwen3 本地部署教程：Ollama 30 秒跑通，llama.cpp 深挖性能

Qwen3 本地部署教程Ollama 30 秒跑通llama.cpp 深挖性能【免费下载链接】Qwen1.5Qwen3 is the large language model series developed by Qwen team, Alibaba Cloud.项目地址: https://gitcode.com/GitHub_Trending/qw/Qwen1.5公司内网的机器连不上外网但你想在本地跑一个能读代码、能写注释的模型数据又不能丢给云端 API。Qwen3 本地部署解决的就是这个问题把模型拉到自己机器上推理全程离线几条命令就能看到第一条回复。⏱️ 先 30 秒跑通下面两条命令第一条装 Ollama一个专门在本地跑大模型的工具第二条拉取 Qwen3 并直接开聊。curl -fsSL https://ollama.ai/install.sh | sh ollama run qwen3屏幕先滚过模型下载进度出现提示符就是就绪了你输入问题、它逐字回你。Windows 和 macOS 装好官方客户端后同样用ollama run qwen3。这是接上本地聊天界面后的样子左边会话列表右边模型回复带代码块到这里 Qwen3 本地部署就算走通了。环境门槛一张表说清项目最低线舒服线系统macOS 10.15 / Ubuntu 18.04 / Windows 10同上内存8GB16GB 以上磁盘10GB模型文件20GBGPU可选NVIDIA 或 Apple Silicon依赖Ollama或 C 编译器 cmake同上只有 CPU 就选小尺寸加量化版本16GB 内存跑 8B 量化版基本无压力。用 Ollama 部署的完整主线30 秒那节只给了最短路径这一节把主线走完每步按敲什么 → 屏幕上出现什么 → 卡住怎么办来说。第 1 步选尺寸跑起来。ollama run qwen3:8b出现pulling manifest到success就进了对话界面。内存紧张选 4b 起步想要更强选 14b 或 32b。下载卡住先查网络或换个网络环境再试仓库里的 Ollama 文档 讲了更多尺寸选项。第 2 步打开本地 API。Ollama 默认监听http://localhost:11434这条命令发一个生成请求curl http://localhost:11434/api/generate -d {model:qwen3,prompt:用一句话打个招呼}返回 JSON 文本回复。把你现有程序里调云 API 的 base_url 指过来二次接入就完成了。报 connection refused 说明服务没起先跑ollama serve。用 llama.cpp 压榨性能如果你的目标是榨干单机吞吐或者想逐条控制上下文和采样参数换 llama.cpp。拿程序。macOS 一条命令装好预编译二进制brew install llama.cppLinux 没有 Homebrew 就搞到源码后本地编译两条命令第二条按 8 路并行加速cmake -B build cmake --build build --config Release -j 8编译产物在build/bin/。报cmake: command not found就先装构建工具macOS 跑xcode-select --installUbuntu 跑sudo apt install build-essential。命令行对话。这条命令会自动下载 8B 的 Q8_0 量化 GGUF 并进入聊天模式llama-cli -hf Qwen/Qwen3-8B-GGUF:Q8_0 --jinja -ngl 99 -fa-ngl 99把全部层丢到 GPU 上算纯 CPU 机器去掉它用-t 8指定线程数。生成慢、还反复输出多半是模型超出内存换小尺寸或更低量化。起 API 服务。llama-server -hf Qwen/Qwen3-8B-GGUF:Q8_0 --jinja -ngl 99浏览器开http://localhost:8080/有网页聊天界面OpenAI 兼容接口在http://localhost:8080/v1/。不想要模型思考、只想要直接答案用--chat-template-file传一个非思考模板仓库里就有一份现成的docs/source/assets/qwen3_nonthinking.jinja。参数细节看仓库里的 llama.cpp 文档。选 Ollama 还是 llama.cpp更在意 5 分钟跑通、有图形界面、基本不用调参就选 Ollama。更在意单机吞吐、想完整控制上下文长度和采样参数就选 llama.cpp。Mac 上又不想碰编译brew install llama.cpp是折中。两者共用 GGUF 模型生态模型文件互相通用以后切换没有成本。 避坑笔记加载时直接 OOM 崩掉→ 模型尺寸超出内存 → 换更小尺寸或 q4_k_m 量化版本。生成速度个位数 tok/s→ 层全压在 CPU 上 → 用带 GPU 支持的构建并加-ngl 99同时把-c上下文调小到 8192。输出开始复读、停不下来→ 采样参数没设 → 加--presence-penalty 1.5temperature 收到 0.7。llama-server 起了但页面打不开→ 只听 localhost 或端口被占 → 用--host和--port改监听或先杀掉旧进程。下一步清单今天跑一遍ollama run qwen3完成一轮真实对话记下下载耗时生成速度慢的话切 llama.cpp把 GPU 层拉满-ngl 99再测一次挑一个现有程序把 API 地址指到llama-server的/v1/完成接入【免费下载链接】Qwen1.5Qwen3 is the large language model series developed by Qwen team, Alibaba Cloud.项目地址: https://gitcode.com/GitHub_Trending/qw/Qwen1.5创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考