title: “Llama Cpp — llama” sidebar_label: “Llama Cpp” description: “llama”

{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 自动生成。请直接编辑源文件 SKILL.md，而非此页面。 */}

Llama Cpp

支持在本地使用 GGUF 格式进行推理，同时可辅助查找 Hugging Face Hub 上的模型。

技能元数据

参考：完整的 SKILL.md

:::info 以下是当触发该技能时 Hermes 会加载的完整技能定义。技能激活后，智能体将依据此内容执行操作。

::

llama.cpp + GGUF

适用于在本地进行 GGUF 格式推理、选择量化级别，或查找适用于 llama.cpp 的 Hugging Face 仓库中的模型。

适用场景

• 在 CPU、Apple Silicon、CUDA、ROCm 或 Intel GPU 上运行本地模型
• 为特定的 Hugging Face 仓库找到合适的 GGUF 模型文件
• 基于 Hub 中的模型构建 llama-server 或 llama-cli 命令
• 在 Hub 中搜索已支持 llama.cpp 的模型
• 查看某个仓库中可用的 .gguf 文件及其大小
• 根据用户的 RAM 或 VRAM 容量选择 Q4/Q5/Q6/IQ 等量化版本

模型查找流程

优先尝试通过 URL 方式查找，再考虑使用 hf、Python 脚本或自定义脚本。

1. 在 Hub 上搜索候选仓库：
   • 基础查询地址：https://huggingface.co/models?apps=llama.cpp&sort=trending
   • 若需查找特定模型系列，可添加 search=<关键词> 参数
   • 若用户对模型大小有要求，可添加 num_parameters=min:0,max:24B 等限制条件
2. 使用 llama.cpp 的本地应用视图打开该仓库：
   • 地址：https://huggingface.co/<仓库名>?local-app=llama.cpp
3. 当本地应用视图内容可见时，将其视为权威信息来源：
   • 复制精确的 llama-server 或 llama-cli 命令
   • 按照 Hugging Face 显示的内容直接采用推荐的量化级别
4. 将带有 ?local-app=llama.cpp 参数的页面内容作为文本或 HTML 进行解析，提取“硬件兼容性”部分的信息：
   • 相较于通用表格，优先参考其中明确的量化标签和大小
   • 保留仓库特有的量化标签，如 UD-Q4_K_M 或 IQ4_NL_XL
   • 若页面源码中未显示该部分内容，请说明情况，并转而使用树形 API 及通用量化指南
5. 通过树形 API 确认实际存在的文件：
   • 地址：https://huggingface.co/api/models/<仓库名>/tree/main?recursive=true
   • 仅保留 type 为 file 且 path 以 .gguf 结尾的条目
   • 以 path 和 size 作为文件名和字节大小的权威依据
   • 将量化后的检查点文件与 mmproj-*.gguf 类型的投影文件以及 BF16/ 格式的分片文件区分开
   • 仅将 https://huggingface.co/<仓库名>/tree/main 作为人工查看的备用方式
6. 若本地应用视图的内容无法以文本形式显示，则根据仓库信息及选定的量化级别重新构造命令：
   • 简化版量化选择方式：llama-server -hf <仓库名>:<量化级别>
   • 精确文件选择方式：llama-server --hf-repo <仓库名> --hf-file <文件名.gguf>
7. 仅当仓库中未提供 GGUF 文件时，才建议将 Transformers 格式的模型转换为 GGUF 格式。

快速入门

安装 llama.cpp

# macOS / Linux (simplest)
brew install llama.cpp

winget install llama.cpp

git clone https://github.com/ggml-org/llama.cpp
cd llama.cpp
cmake -B build
cmake --build build --config Release

直接在 Hugging Face Hub 上运行

llama-cli -hf bartowski/Llama-3.2-3B-Instruct-GGUF:Q8_0

llama-server -hf bartowski/Llama-3.2-3B-Instruct-GGUF:Q8_0

从 Hub 运行完整的 GGUF 文件

当树形 API 显示自定义文件名，或缺失完整的 HF 片段时，请使用此方法。

llama-server \
    --hf-repo microsoft/Phi-3-mini-4k-instruct-gguf \
    --hf-file Phi-3-mini-4k-instruct-q4.gguf \
    -c 4096

兼容 OpenAI 的服务器检测

curl http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "messages": [
      {"role": "user", "content": "Write a limerick about Python exceptions"}
    ]
  }'

Python绑定（llama-cpp-python）

使用命令 pip install llama-cpp-python 进行安装（若使用CUDA，则需执行：CMAKE_ARGS="-DGGML_CUDA=on" pip install llama-cpp-python --force-reinstall --no-cache-dir；若使用Metal，则为：CMAKE_ARGS="-DGGML_METAL=on" ...）。

基本生成功能

from llama_cpp import Llama

llm = Llama(
    model_path="./model-q4_k_m.gguf",
    n_ctx=4096,
    n_gpu_layers=35,     # 0 for CPU, 99 to offload everything
    n_threads=8,
)

out = llm("What is machine learning?", max_tokens=256, temperature=0.7)
print(out["choices"][0]["text"])

聊天与流式处理

llm = Llama(
    model_path="./model-q4_k_m.gguf",
    n_ctx=4096,
    n_gpu_layers=35,
    chat_format="llama-3",   # or "chatml", "mistral", etc.
)

resp = llm.create_chat_completion(
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "What is Python?"},
    ],
    max_tokens=256,
)
print(resp["choices"][0]["message"]["content"])

# Streaming
for chunk in llm("Explain quantum computing:", max_tokens=256, stream=True):
    print(chunk["choices"][0]["text"], end="", flush=True)

嵌入模型

llm = Llama(model_path="./model-q4_k_m.gguf", embedding=True, n_gpu_layers=35)
vec = llm.embed("This is a test sentence.")
print(f"Embedding dimension: {len(vec)}")

您也可以直接从 Hub 加载 GGUF 模型：

llm = Llama.from_pretrained(
    repo_id="bartowski/Llama-3.2-3B-Instruct-GGUF",
    filename="*Q4_K_M.gguf",
    n_gpu_layers=35,
)

选择量化版本

首先参考Hub页面上的信息，其次再依据通用规则进行判断。

• 建议优先选择HF针对用户硬件配置标注为兼容的量化版本。
• 用于常规聊天时，可从Q4_K_M开始选择。
• 进行代码编写或技术工作时，若内存允许，建议选择Q5_K_M或Q6_K。
• 在内存资源极为紧张的情况下，仅当用户明确将模型适配性置于质量之上时，才考虑使用Q3_K_M、IQ系列或Q2系列量化版本。
• 对于多模态模型仓库，需单独提及mmproj-*.gguf文件——这些投影器文件并非主模型文件。
• 不要对仓库原有的标签进行标准化处理。若页面显示为UD-Q4_K_M，则直接报告该标签即可。

从仓库中提取可用的GGUF文件

当用户询问有哪些GGUF文件时，需返回以下信息：

• 文件名
• 文件大小
• 量化标签
• 该文件是主模型还是辅助投影器文件

除非用户特别要求，否则忽略以下内容：

• README文件
• BF16格式的分片文件
• imatrix二进制数据或校准相关文件

此步骤可使用tree API来完成：

• https://huggingface.co/api/models/<repo>/tree/main?recursive=true

以unsloth/Qwen3.6-35B-A3B-GGUF这样的仓库为例，local-app页面会显示诸如UD-Q4_K_M、UD-Q5_K_M、UD-Q6_K和Q8_0之类的量化版本标识，而tree API则会提供包含字节大小的精确文件路径，如Qwen3.6-35B-A3B-UD-Q4_K_M.gguf和Qwen3.6-35B-A3B-Q8_0.gguf。可通过tree API将量化标签转换为具体的文件名。

搜索模式

可直接使用以下URL格式：

https://huggingface.co/models?apps=llama.cpp&sort=trending
https://huggingface.co/models?search=<term>&apps=llama.cpp&sort=trending
https://huggingface.co/models?search=<term>&apps=llama.cpp&num_parameters=min:0,max:24B&sort=trending
https://huggingface.co/<repo>?local-app=llama.cpp
https://huggingface.co/api/models/<repo>/tree/main?recursive=true
https://huggingface.co/<repo>/tree/main

输出格式

在回应探索请求时，建议采用结构化且简洁的格式，例如：

Repo: <repo>
Recommended quant from HF: <label> (<size>)
llama-server: <command>
Other GGUFs:
- <filename> - <size>
- <filename> - <size>
Source URLs:
- <local-app URL>
- <tree API URL>

参考资料

• hub-discovery.md — 仅包含 URL 的 Hugging Face 工作流、搜索模式、GGUF 文件提取以及命令重构相关内容
• advanced-usage.md — 推测解码、批量推理、受语法约束的生成、LoRA 技术、多 GPU 使用、自定义构建方式以及基准测试脚本
• quantization.md — 量化质量与性能的权衡、何时选择 Q4/Q5/Q6/IQ 等量化级别、模型尺寸调整以及 imatrix 技术
• server.md — 直接从 Hugging Face Hub 启动服务器、OpenAI API 接口、Docker 部署方式、NGINX 负载均衡以及监控方法
• optimization.md — CPU 线程优化、BLAS 库应用、GPU 卸载策略、批量推理参数调优以及相关基准测试
• troubleshooting.md — 安装、转换、量化、推理及服务器相关问题排查、Apple Silicon 平台使用问题以及调试方法

资源链接

• GitHub 项目页: https://github.com/ggml-org/llama.cpp
• Hugging Face GGUF + llama.cpp 文档: https://huggingface.co/docs/hub/gguf-llamacpp
• Hugging Face 本地应用文档: https://huggingface.co/docs/hub/main/local-apps
• Hugging Face 本地 Agent 文档: https://huggingface.co/docs/hub/agents-local
• 本地应用示例页面: https://huggingface.co/unsloth/Qwen3.6-35B-A3B-GGUF?local-app=llama.cpp
• 树形 API 示例: https://huggingface.co/api/models/unsloth/Qwen3.6-35B-A3B-GGUF/tree/main?recursive=true
• llama.cpp 搜索示例: https://huggingface.co/models?num_parameters=min:0,max:24B&apps=llama.cpp&sort=trending
• 许可证: MIT