ghcr.io/ggml-org/llama.cpp:server-intel-b9737

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 | https://huggingface.co/spaces/CISCai/gguf-editor
• 浏览器中现已支持 WebGPU，查看介绍它的博客/演示 https://reeselevine.github.io/llamas-on-the-web/%E3%80%82

---

快速开始

llama.cpp 的入门使用非常简单。以下是在您的机器上安装它的几种方法：

• 使用 brew、nix、winget 或 conda-forge 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，您需要一个模型来使用。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 LLM 推理，并提供最先进的性能。

• 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
• 对 x86 架构支持 AVX、AVX2、AVX512 和 AMX
• 对 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，以实现更快的推理和更低的内存占用
• 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）
• 支持 Vulkan 和 SYCL 后端
• 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 https://github.com/ggml-org/ggml 库新功能开发的主要试验场。

模型

通常也支持以下基础模型的微调版本。

添加新模型支持的说明：HOWTO-add-model.md

纯文本

• LLaMA 🦙
• LLaMA 2 🦙🦙
• LLaMA 3 🦙🦙🦙
• https://huggingface.co/mistralai/Mistral-7B-v0.1
• https://huggingface.co/models?search=mistral-ai/Mixtral
• https://huggingface.co/databricks/dbrx-instruct
• https://huggingface.co/ai21labs
• https://huggingface.co/models?search=tiiuae/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
• https://huggingface.co/models?search=baichuan-inc/Baichuan + https://huggingface.co/hiyouga/baichuan-7b-sft
• https://huggingface.co/models?search=BAAI/Aquila
• https://github.com/ggml-org/llama.cpp/pull/3187
• https://huggingface.co/smallcloudai/Refact-1_6B-fim
• https://github.com/ggml-org/llama.cpp/pull/3417
• https://github.com/ggml-org/llama.cpp/pull/3553
• https://huggingface.co/models?search=01-ai/Yi
• https://huggingface.co/stabilityai
• https://huggingface.co/models?search=deepseek-ai/deepseek
• https://huggingface.co/models?search=Qwen/Qwen
• https://github.com/ggml-org/llama.cpp/pull/3557
• https://huggingface.co/models?search=microsoft/phi
• https://github.com/ggml-org/llama.cpp/pull/***
• https://huggingface.co/gpt2
• https://github.com/ggml-org/llama.cpp/pull/5118
• https://huggingface.co/models?search=internlm2
• https://github.com/WisdomShell/codeshell
• Gemma
• https://github.com/state-spaces/mamba
• https://huggingface.co/keyfan/grok-1-hf
• https://huggingface.co/models?search=xverse
• https://huggingface.co/models?search=CohereForAI/c4ai-command-r
• https://huggingface.co/models?search=sea-lion
• https://huggingface.co/GritLM/GritLM-7B + https://huggingface.co/GritLM/GritLM-8x7B
• OLMo
• OLMo 2
• https://huggingface.co/allenai/OLMoE-1B-7B-0924
• https://huggingface.co/collections/ibm-granite/granite-code-models-6624c5cec322e4c148c8b330
• https://github.com/EleutherAI/gpt-neox + https://github.com/EleutherAI/pythia
• https://huggingface.co/collections/***/arctic-66290090abe542894a5ac520
• https://huggingface.co/models?search=Smaug
• https://huggingface.co/LumiOpen/Poro-34B
• https://huggingface.co/1bitLLM
• https://huggingface.co/models?search=flan-t5
• https://huggingface.co/collections/apple/openelm-instruct-models-6619ad295d7ae9f868b759ca
• https://huggingface.co/collections/THUDM/glm-4-0414-67f3cbcb34dd9d252707cb2e
• https://huggingface.co/collections/HuggingFaceTB/smollm-6695016cad7167254ce***
• https://huggingface.co/LGAI-EXAONE/EXAONE-3.0-7.8B-Instruct
• https://huggingface.co/collections/tiiuae/falconmamba-7b-66b9a580324dd1598b0f6d4a
• https://huggingface.co/inceptionai/jais-13b-chat
• https://huggingface.co/collections/speakleash/bielik-11b-v23-66ee813238d9b526a072408a
• https://huggingface.co/collections/shoumenchougou/rwkv7-gxx-gguf
• https://github.com/BlinkDL/RWKV-LM
• https://huggingface.co/recursal/QRWKV6-32B-Instruct-Preview-v0.1
• https://huggingface.co/ai-sage/GigaChat-20B-A3B-instruct
• https://huggingface.co/trillionlabs/Trillion-7B-preview
• https://huggingface.co/collections/inclusionAI/ling-67c51c85b34a7ea0aba94c32
• https://huggingface.co/collections/LiquidAI/lfm2-686d721927015b2ad73eaa38
• https://huggingface.co/collections/tencent/hunyuan-dense-model-6890632cda26b***c9c5e7
• https://huggingface.co/collections/inclusionAI/ling-v2-68bf1dd2fc34c306c1fa6f86
• https://huggingface.co/JetBrains/models?search=mellum

多模态

• https://huggingface.co/collections/liuhaotian/llava-15-653aac15d994e992e2677a7e%E3%80%81https://huggingface.co/collections/liuhaotian/llava-16-65b9e40155f60fd046a5ccf2
• https://huggingface.co/models?search=SkunkworksAI/Bakllava
• https://huggingface.co/NousResearch/Obsidian-3B-V0.5
• https://huggingface.co/models?search=Lin-Chen/ShareGPT4V
• https://huggingface.co/models?search=mobileVLM
• https://huggingface.co/models?search=Yi-VL
• https://huggingface.co/models?search=MiniCPM
• https://huggingface.co/vikhyatk/moondream2
• https://github.com/BAAI-DCAI/Bunny
• https://huggingface.co/models?search=glm-edge
• https://huggingface.co/collections/Qwen/qwen2-vl-66cee7455501d7126940800d
• https://huggingface.co/collections/LiquidAI/lfm2-vl-68963bbc84a610f7638d5ffa

绑定

• 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 (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

UIs

(若要在此列出项目，该项目应明确声明依赖于 llama.cpp)

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

Tools

• https://github.com/akx/ggify – 从 Hugging Face Hub 下载 PyTorch 模型并将其转换为 GGML
• https://github.com/akx/ollama-dl – 从 Ollama 库下载模型以直接与 llama.cpp 一起使用
• https://github.com/crashr/gppm – 启动利用 NVIDIA Tesla P40 或 P100 GPU 的 llama.cpp 实例，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 平台包装器以及模型示例)
• https://github.com/unslothai/unsloth – 🦥 将微调及训练后的模型导出/保存为 GGUF（Apache-2.0）

Infrastructure

• 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 - 使用 WebAssembly 在 Internet Computer 上作为智能合约的 llama.cpp
• 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 - ☸️ 适用于 Kubernetes 上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 运算符，支持多 GPU 和 Apple Silicon Metal

Games

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 LLM 服务 HTTP 服务器。

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

提供嵌入模型服务

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

提供重排序模型服务

# 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

依赖项

• https://github.com/yhirose/cpp-httplib - 单头文件HTTP服务器，供llama-server使用 - MIT许可证
• 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 - 公共领域
• https://github.com/nlohmann/json - 单头文件JSON库，供各种工具/示例使用 - MIT许可证
• 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 - 公共领域
• https://github.com/sheredom/subprocess.h - 用于C和C++的单头文件进程启动解决方案 - 公共领域