llama.cpp

C/C++实现的LLM推理

近期API变更

• https://github.com/ggml-org/llama.cpp/issues/9289
• https://github.com/ggml-org/llama.cpp/issues/9291

热门话题

• Hugging Face 缓存迁移：使用 -hf 下载的模型现在存储在标准 Hugging Face 缓存目录中，可与其他 HF 工具共享。
• https://github.com/ggml-org/llama.cpp/discussions/***
• https://github.com/ggml-org/llama.cpp/discussions/***
• https://github.com/ggml-org/llama.cpp/discussions/***
• llama-server 现已支持多模态：https://github.com/ggml-org/llama.cpp/pull/*** | 文档
• 用于 FIM 补全的 VS Code 扩展：https://github.com/ggml-org/llama.vscode
• 用于 FIM 补全的 Vim/Neovim 插件：https://github.com/ggml-org/llama.vim
• Hugging Face GGUF 编辑器：https://github.com/ggml-org/llama.cpp/discussions/9268 | 工具
• 浏览器中现已支持 WebGPU，查看介绍博客/演示 https://reeselevine.github.io/llamas-on-the-web/%E3%80%82

---

快速开始

llama.cpp 的入门非常简单。以下是在您的机器上安装它的几种方法：

• 使用 brew、nix 或 winget 安装 llama.cpp
• 使用 Docker 运行 - 参见我们的 Docker 文档
• 从 https://github.com/ggml-org/llama.cpp/releases 下载预构建二进制文件
• 通过克隆此仓库从源代码构建 - 查看 我们的构建指南

安装完成后，您需要一个模型才能使用。请前往获取和量化模型部分了解更多信息。

示例命令：

# 使用本地模型文件
llama-cli -m my_model.gguf

# 或直接从 Hugging Face 下载并运行模型
llama-cli -hf ggml-org/gemma-3-1b-it-GGUF

# 启动兼容 OpenAI 的 API 服务器
llama-server -hf ggml-org/gemma-3-1b-it-GGUF

描述

llama.cpp 的主要目标是在各种硬件上（本地和云端）以最少的设置实现最先进的 LLM 推理性能。

• 纯 C/C++ 实现，无任何依赖
• Apple silicon 是一等公民——通过 ARM NEON、Accelerate 和 Metal 框架进行优化
• x86 架构支持 AVX、AVX2、AVX512 和 AMX
• RISC-V 架构支持 RVV、ZVFH、ZFH、ZICBOP 和 ZIHINTPAUSE
• 1.5 位、2 位、3 位、4 位、5 位、6 位和 8 位整数量化，可实现更快的推理并减少内存使用
• 用于在 NVIDIA GPU 上运行 LLM 的自定义 CUDA 内核（通过 HIP 支持 AMD GPU，通过 MUSA 支持摩尔线程 GPU）
• Vulkan 和 SYCL 后端支持
• CPU+GPU 混合推理，可部分加速大于总 VRAM 容量的模型

llama.cpp 项目是为 https://github.com/ggml-org/ggml 库开发新功能的主要实验场。

模型

通常也支持基于以下基础模型的微调模型。

添加新模型支持的说明：HOWTO-add-model.md

纯文本

• LLaMA 🦙
• LLaMA 2 🦙🦙
• LLaMA 3 🦙🦙🦙
• Mistral 7B
• Mixtral MoE
• DBRX
• Jamba
• Falcon
• https://github.com/ymcui/Chinese-LLaMA-Alpaca 和 https://github.com/ymcui/Chinese-LLaMA-Alpaca-2
• https://github.com/bofenghuang/vigogne
• https://github.com/ggml-org/llama.cpp/pull/5423
• Koala
• Baichuan 1 & 2 + 衍生模型
• Aquila 1 & 2
• https://github.com/ggml-org/llama.cpp/pull/3187
• Refact
• https://github.com/ggml-org/llama.cpp/pull/3417
• https://github.com/ggml-org/llama.cpp/pull/3553
• Yi 模型
• StableLM 模型
• Deepseek 模型
• Qwen 模型
• https://github.com/ggml-org/llama.cpp/pull/3557
• Phi 模型
• https://github.com/ggml-org/llama.cpp/pull/***
• GPT-2
• https://github.com/ggml-org/llama.cpp/pull/5118
• InternLM2
• https://github.com/WisdomShell/codeshell
• Gemma
• https://github.com/state-spaces/mamba
• Grok-1
• Xverse
• Command-R 模型
• SEA-LION
• GritLM-7B + GritLM-8x7B
• OLMo
• OLMo 2
• OLMoE
• Granite 模型
• https://github.com/EleutherAI/gpt-neox + https://github.com/EleutherAI/pythia
• ***-Arctic MoE
• Smaug
• Poro 34B
• Bitnet b1.58 模型
• Flan T5
• Open Elm 模型
• GLM-4-0414
• SmolLM
• EXAONE-3.0-7.8B-Instruct
• FalconMamba 模型
• Jais
• Bielik-11B-v2.3
• RWKV-7
• https://github.com/BlinkDL/RWKV-LM
• QRWKV-6
• GigaChat-20B-A3B
• Trillion-7B-preview
• Ling 模型
• LFM2 模型
• Hunyuan 模型
• BailingMoeV2（Ring/Ling 2.0）模型

多模态

• LLaVA 1.5 模型、LLaVA 1.6 模型

• BakLLaVA

• Obsidian

• ShareGPT4V

• MobileVLM 1.7B/3B 模型

• Yi-VL

• Mini CPM

• Moondream

• https://github.com/BAAI-DCAI/Bunny

• GLM-EDGE

• Qwen2-VL

• LFM2-VL

• Python: https://github.com/ddh0/easy-llama

• Python: https://github.com/abetlen/llama-cpp-python

• Go: https://github.com/go-skynet/go-llama.cpp

• Node.js: https://github.com/withcatai/node-llama-cpp

• JS/TS（llama.cpp 服务器客户端）: lgrammel/modelfusion

• JS/TS（可编程提示引擎 CLI）: https://github.com/offline-ai/cli

• JavaScript/Wasm（可在浏览器中运行）: https://github.com/tangledgroup/llama-cpp-wasm

• Typescript/Wasm（更友好的 API，可在 npm 上获取）: https://github.com/ngxson/wllama

• Ruby: https://github.com/yoshoku/llama_cpp.rb

• Ruby: https://github.com/docusealco/rllama

• Rust（功能更丰富）: https://github.com/edgenai/llama_cpp-rs

• Rust（更友好的 API）: https://github.com/mdrokz/rust-llama.cpp

• Rust（更直接的绑定）: https://github.com/utilityai/llama-cpp-rs

• Rust（可从 crates.io 自动构建）: https://github.com/ShelbyJenkins/llm_client

• C#/.NET: https://github.com/SciSharp/LLamaSharp

• C#/VB.NET（功能更丰富 - 社区许可证）: LM-Kit.NET

• Scala 3: https://github.com/donderom/llm4s

• Clojure: https://github.com/phronmophobic/llama.clj

• React Native: https://github.com/mybigday/llama.rn

• Java: https://github.com/kherud/java-llama.cpp

• Java: https://github.com/QuasarByte/llama-cpp-jna

• Zig: https://github.com/Deins/llama.cpp.zig

• Flutter/Dart: https://github.com/netdur/llama_cpp_dart

• Flutter: https://github.com/xuegao-tzx/Fllama

• PHP（基于 llama.cpp 构建的 API 绑定和功能）: https://github.com/distantmagic/resonance https://github.com/ggml-org/llama.cpp/pull/6326

• Guile Scheme: guile_llama_cpp

• Swift: https://github.com/srgtuszy/llama-cpp-swift

• Swift: https://github.com/ShenghaiWang/SwiftLlama

• Delphi: https://github.com/Embarcadero/llama-cpp-delphi

• Go（无需 CGo）: https://github.com/hybridgroup/yzma

• Android: llama.android

用户界面

(要在此处列出项目，该项目应明确说明其依赖于 llama.cpp)

• https://github.com/yaroslavyaroslav/OpenAI-sublime-text%EF%BC%88MIT%EF%BC%89
• BonzAI 应用（专有）
• https://github.com/cztomsik/ava%EF%BC%88MIT%EF%BC%89
• https://github.com/alexpinel/Dot%EF%BC%88GPL%EF%BC%89
• https://github.com/ylsdamxssjxxdd/eva%EF%BC%88MIT%EF%BC%89
• https://github.com/iohub/coLLaMA%EF%BC%88Apache-2.0%EF%BC%89
• https://github.com/janhq/jan%EF%BC%88AGPL%EF%BC%89
• https://github.com/johnbean393/Sidekick%EF%BC%88MIT%EF%BC%89
• https://github.com/zhouwg/kantv?tab=readme-ov-file%EF%BC%88Apache-2.0%EF%BC%89
• https://github.com/firatkiral/kodibot%EF%BC%88GPL%EF%BC%89
• https://github.com/ggml-org/llama.vim%EF%BC%88MIT%EF%BC%89
• https://github.com/abgulati/LARS%EF%BC%88AGPL%EF%BC%89
• https://github.com/vietanhdev/llama-assistant%EF%BC%88GPL%EF%BC%89
• https://github.com/undreamai/LlamaLib%EF%BC%88Apache-2.0%EF%BC%89
• https://github.com/guinmoon/LLMFarm?tab=readme-ov-file%EF%BC%88MIT%EF%BC%89
• https://github.com/undreamai/LLMUnity%EF%BC%88MIT%EF%BC%89
• LMStudio（专有）
• https://github.com/mudler/LocalAI%EF%BC%88MIT%EF%BC%89
• https://github.com/LostRuins/koboldcpp%EF%BC%88AGPL%EF%BC%89
• MindMac（专有）
• https://github.com/MindWorkAI/AI-Studio%EF%BC%88FSL-1.1-MIT%EF%BC%89
• https://github.com/Mobile-Artificial-Intelligence/maid%EF%BC%88MIT%EF%BC%89
• https://github.com/Mozilla-Ocho/llamafile%EF%BC%88Apache-2.0%EF%BC%89
• https://github.com/nat/openplayground%EF%BC%88MIT%EF%BC%89
• https://github.com/nomic-ai/gpt4all%EF%BC%88MIT%EF%BC%89
• https://github.com/ollama/ollama%EF%BC%88MIT%EF%BC%89
• https://github.com/oobabooga/text-generation-webui%EF%BC%88AGPL%EF%BC%89
• https://github.com/a-ghorbani/pocketpal-ai%EF%BC%88MIT%EF%BC%89
• https://github.com/psugihara/FreeChat%EF%BC%88MIT%EF%BC%89
• https://github.com/ptsochantaris/emeltal%EF%BC%88MIT%EF%BC%89
• https://github.com/pythops/tenere%EF%BC%88AGPL%EF%BC%89
• https://github.com/containers/ramalama%EF%BC%88MIT%EF%BC%89
• https://github.com/semperai/amica%EF%BC%88MIT%EF%BC%89
• https://github.com/withcatai/catai%EF%BC%88MIT%EF%BC%89
• https://github.com/***89/autopen%EF%BC%88GPL%EF%BC%89

工具

• https://github.com/akx/ggify – 从 Hugging Face Hub 下载 PyTorch 模型并将其转换为 GGML 格式
• https://github.com/akx/ollama-dl – 从 Ollama 库下载模型以直接用于 llama.cpp
• https://github.com/crashr/gppm – 启动 llama.cpp 实例，利用 NVIDIA Tesla P40 或 P100 GPU 降低空闲功耗
• https://github.com/gpustack/gguf-parser-go/tree/main/cmd/gguf-parser - 查看/检查 GGUF 文件并估算内存使用情况
• Styled Lines（专有许可，Unity3d 游戏开发推理部分的异步包装器，带有预构建的移动和 Web 平台包装器及模型示例）
• https://github.com/unslothai/unsloth – 🦥 将微调及训练后的模型导出/保存为 GGUF 格式（Apache-2.0）

基础设施

• https://github.com/intentee/paddler - 用于在自有基础设施中托管和扩展 AI 的开源 LLMOps 平台
• https://github.com/gpustack/gpustack - 管理用于运行 LLM 的 GPU 集群
• https://github.com/onicai/llama_cpp_canister - 在 Internet Computer 上作为智能合约的 llama.cpp，使用 WebAssembly
• https://github.com/mostlygeek/llama-swap - 透明代理，通过 llama-server 添加自动模型切换功能
• https://github.com/kalavai-net/kalavai-client - 众包端到端 LLM 部署，支持任意规模
• https://github.com/InftyAI/llmaz - ☸️ 在 Kubernetes 上运行大型语言模型的简单、高级推理平台
• https://github.com/defilantech/llmkube - 用于 llama.cpp 的 Kubernetes 算子，支持多 GPU 和 Apple Silicon Metal

llama-cli

一个用于访问和试验 llama.cpp 大部分功能的 CLI 工具。

以对话模式运行

具有内置聊天模板的模型会自动激活对话模式。如果未自动激活，可通过添加 -cnv 并使用 --chat-template NAME 指定合适的聊天模板来手动启用。

llama-cli -m model.gguf

#
> hi, who are you?
# Hi there! I'm your helpful assistant! I'm an AI-powered chatbot designed to assist and provide information to users like you. I'm here to help answer your questions, provide guidance, and offer support on a wide range of topics. I'm a friendly and knowledgeable AI, and I'm always happy to help with anything you need. What's on your mind, and how can I assist you today?
#
#
> what is 1+1?
# Easy peasy! The answer to 1+1 is... 2!

使用自定义聊天模板运行对话模式

# 使用 "chatml" 模板（使用 -h 查看支持的模板列表）
llama-cli -m model.gguf -cnv --chat-template chatml

# 使用自定义模板
llama-cli -m model.gguf -cnv --in-prefix 'User: ' --reverse-prompt 'User:'

使用自定义语法约束输出

llama-cli -m model.gguf -n 256 --grammar-file grammars/json.gbnf -p 'Request: schedule a call at 8pm; Command:'

# {"appointmentTime": "8pm", "appointmentDetails": "schedule a a call"}

grammars/ 文件夹包含一些示例语法。要编写自己的语法，请查看 GBNF 指南。

如需编写更复杂的 JSON 语法，请访问 [***]

llama-server

一个轻量级、与 https://github.com/openai/openai-openapi 兼容的 HTTP 服务器，用于部署 LLM。

使用默认配置在 8080 端口启动本地 HTTP 服务器

llama-server -m model.gguf --port 8080

# 可通过浏览器访问基本 Web UI：http://localhost:8080
# 聊天补全端点：http://localhost:8080/v1/chat/completions

支持多用户和并行解码

# 最多 4 个并发请求，每个请求最大上下文为 4096
llama-server -m model.gguf -c 16384 -np 4

启用推测解码

# draft.gguf 模型应为目标 model.gguf 的小型变体
llama-server -m model.gguf -md draft.gguf

部署嵌入模型

# 使用 /embedding 端点
llama-server -m model.gguf --embedding --pooling cls -ub 8192

部署重排序模型

# 使用 /reranking 端点
llama-server -m model.gguf --reranking

使用语法约束所有输出

# 自定义语法
llama-server -m model.gguf --grammar-file grammar.gbnf

# JSON
llama-server -m model.gguf --grammar-file grammars/json.gbnf

XCFramework

XCFramework 是适用于 iOS、visionOS、tvOS 和 macOS 的预编译库版本。它可用于 Swift 项目，无需从源代码编译库。例如：

// swift-tools-version: 5.10
// The swift-tools-version declares the minimum version of Swift required to build this package.

import PackageDescription

let package = Package(
name: "MyLlamaPackage",
targets: [
.executableTarget(
name: "MyLlamaPackage",
dependencies: [
"LlamaFramework"
]),
.binaryTarget(
name: "LlamaFramework",
url: "https://github.com/ggml-org/llama.cpp/releases/download/b5046/llama-b5046-xcframework.zip",
checksum: "c19be78b5f00d8d29a25da41042cb7afa094cbf6280a225abe614b03b20029ab"
)
]
)

上述示例使用的是库的中间构建版本 b5046。可以通过更改 URL 和校验和来修改为使用不同版本。

命令补全

部分环境支持命令行补全。

Bash 补全

$ build/bin/llama-cli --completion-bash
> ~/.llama-completion.bash
$ source ~/.llama-completion.bash

也可以选择将其添加到 .bashrc 或 .bash_profile 中以自动加载。例如：

$ echo "source ~/.llama-completion.bash"
>> ~/.bashrc

依赖项

• https://github.com/yhirose/cpp-httplib - 单头文件 HTTP 服务器，供 llama-server 使用 - MIT license
• https://github.com/nothings/stb - 单头文件图像格式解码器，供多模态子系统使用 - Public domain
• https://github.com/nlohmann/json - 单头文件 JSON 库，供各种工具/示例使用 - MIT License
• https://github.com/mackron/miniaudio - 单头文件音频格式解码器，供多模态子系统使用 - Public domain
• https://github.com/sheredom/subprocess.h - 用于 C 和 C++ 的单头文件进程启动解决方案 - Public domain