llama-cpp Docker 镜像下载 - 轩辕镜像

llama.cpp社区版发布容器

镜像概述

llama.cpp社区版发布容器是基于seemeai/llama-cpp镜像构建的工具容器，专注于llama.cpp支持模型的转换、量化处理与功能验证。通过容器化方案简化模型处理流程，支持多种量化精度，帮助开发者快速适配不同硬件资源环境，验证模型性能。

核心功能

• 模型格式转换：使用convert.py脚本将原始模型权重转换为llama.cpp兼容的GGUF格式
• 多量化格式支持：内置q2_k、q3_k_l、q4_0、q5_k_m、q6_k、q8_0等多种量化算法，平衡模型大小与推理性能
• 快速功能测试：通过main工具执行推理测试，验证量化后模型的文本生成能力

使用场景

• 模型开发者需将自定义模型转换为llama.cpp兼容格式
• 研究人员测试不同量化精度对模型性能（速度/精度）的影响
• 硬件资源受限场景下，通过量化减小模型体积适配边缘设备

使用方法

环境准备

1. 数据目录配置
   创建本地数据目录（如/data_folder_with_all_models），并将模型权重及配置文件存放于${data_dir}/llama-data/${model}/路径下（${model}为模型名称，如mixtral-7b）。

2. 镜像信息
   基础镜像：seemeai/llama-cpp:b1632-cuda12.1（含CUDA 12.1支持，需GPU环境可启用硬件加速）

模型转换

将原始模型转换为GGUF格式（f16精度）：

data_dir=/data_folder_with_all_models  # 本地模型数据根目录
model=mixtral-7b  # 模型名称（对应数据目录下的子文件夹）
image=seemeai/llama-cpp:b1632-cuda12.1

docker run -it --shm-size=64G -v $data_dir:/models \
  --entrypoint python $image \
  /code/llama.cpp/convert.py /models/llama-data/$model/ --vocab-dir /models

• --shm-size=64G：设置共享内存大小（大模型转换需足够内存）
• -v $data_dir:/models：挂载本地数据目录到容器内/models路径
• 输出文件：${data_dir}/llama-data/${model}/ggml-model-f16.gguf

量化处理

对转换后的f16模型执行多格式量化：

# 定义需量化的格式列表（可根据需求调整）
quantizations=( q2_k q3_k_l q3_k_m q4_0 q4_1 q4_k_s q5_0 q5_1 q5_k_m q5_k_s q6_k q8_0 )

for quantize in "${quantizations[@]}"; do
  docker run -it --shm-size=64G -v $data_dir:/models \
    --entrypoint /code/llama.cpp/quantize $image \
    /models/llama-data/$model/ggml-model-f16.gguf \
    /models/llama-data/$model/ggml-model-$quantize.gguf \
    $quantize
done

• 输出文件：${data_dir}/llama-data/${model}/ggml-model-${quantize}.gguf（如ggml-model-q4_0.gguf）
• Legacy版本说明：旧版本需指定二进制路径，添加bin_folder=/build/bin，修改entrypoint为/code/llama.cpp/build/bin/quantize

模型测试

对量化后的模型执行推理测试：

# 以q4_0量化模型为例
docker run -it --shm-size=64G -v $data_dir:/models \
  --entrypoint /code/llama.cpp/main $image \
  -m /models/llama-data/$model/ggml-model-q4_0.gguf \
  -p "Building a website can be done in 10 simple steps:\nStep 1:" \
  -n 400 -e -t 16  # -ngl 40  # 启用GPU加速时添加，指定GPU卸载层数

• 参数说明：
  • -m：量化后模型文件路径
  • -p：输入提示文本
  • -n：生成文本长度（tokens数）
  • -t：推理线程数
  • -ngl：GPU卸载层数（需CUDA环境，默认禁用）

关键配置参数