尽管大模型厂商不大会收集用户调用模型API时传入的数据，但企业多少会有些不放心把某些敏感的内部数据传输到外部大模型，这势必限制了LLM在企业中的使用场景。为了避免这个安全合规“风险”，这段时间有机会在一块英伟达RTX4090 GPU显卡上做LLM模型本地化测试工作。这篇文章就简单记录一下模型本地化部署的相关内容。

测试用的GPU卡有24GB内存，我们分别做了文本生成(Text Generation)，嵌入(Embedding) 和重排序(ReRanker)模型的本地部署和测试验证。采用目前比较成熟的模型本地化部署平台（Ollama，LocalAI)，基本能够实现AI应用需要的全部LLM本地化，也包括 OCR 部署。

系统准备

我们用的是Ubuntu系统，系统和GPU显卡安装不是本文重点，就不介绍了。运行 nvidia-smi 工具可以看到类似如下信息说明安装成功。

Ollama

Ollama是一个基于 Go 语言开发的本地大语言模型运行框架，目前可以支持文本生成和嵌入及其他多模态LLM，但暂时不支持Reranker模型。Ollama简单易用，几乎完全借鉴了Docker的使用和管理方式，熟悉Docker的道友会感受非常亲切。

相关资源

https://ollama.com/ - Ollama 主站点

https://ollama.com/library - Ollama模型库，也支持从HuggingFace模型库下载装入

https://github.com/ollama/ollama - Ollma Github站点

https://huggingface.co/ - HuggingFace

安装Ollama

Ollama安装非常简单。我使用的是Ubuntu系统，采用Linux安装方式，

<code>curl -fsSL https://ollama.com/install.sh | sh

安装完成后，运行ollama命令验证安装成功，

ollama --help

ollama --version

ollama list / ollama ps #刚安装好Ollama，还未下载模型时，不会有模型信息

模型下载运行

Ollama模型库提供的模型，下载非常简单。先到ollama模型库上去搜索一个已有的模型,

点击模型名称进入详情页面，直接copy运行模型的命令在本地服务器上执行，Ollama会自动先下载该模型并运行。

下载完自动进入交互模式（我这里已经下载过该模型，因此直接进入交互模式了，如果是新下载模型，会看到下载过程），提个问题试试，验证模型下载运行成功。

像qwen2:72b ，llama3.1:70b 这样较大的模型也可以运行起来，GPU不够CPU来凑，Ollama会同时使用本机CPU内存分担，只是推理速度慢很多。

通过另一窗口执行 ollama ps 命令，可以看到当前正在运行的模型情况，

Ollama模型库中大部分常用的模型都是用 Q4_0 这种量化压缩级别进行模型压缩的，以节省GPU内存。模型消耗GPU的计算公式如下，

我前面示例中使用的 qwen2:72b Q4_0 压缩级别(Q 参数是 4bits) 计算GPU用量应该是，

<code>72*4B / (32/4) * 1.2 = 43.2(GB)

和 ollama ps 命令显示的SIZE一致。关于模型的量化压缩级别，如 Q4_0, Q4_K_M, Q5_1等，道友感兴趣的话可以自行搜索相关的文章进一步了解。

当用户调用模型时，Ollama会自动装入该模型到GPU内存，并默认设置5分钟空闲切出，以节省GPU资源供其他请求使用。

装入HuggingFace模型

Ollama模型库未提供某款模型时，比如我想使用qwen2-7b Instruct模型，但是在Ollama模型库没有提供，那我们只能从HuggingFace下载，再装入Ollama。这里以 qwen2-7b-instruct:q5_k_m 模型为例来说明如何操作。

Ollama可以直接装入 GGUF 格式的模型文件，因此优先选择下载这种模型文件。如果只有safetensors 格式的模型，需要先转换成 GGUF 格式，后面会介绍。在HF上搜索 “qwen2-7b-instruct"，并筛选libraries标签为GGUF的模型，

进入模型的 “Files and Version” 页面，选择 q5_k_m 模型文件下载，

下载模型文件到本地服务器目录后，准备一个Modelfile，参考如下内容，

<code>FROM "./qwen2-7b-instruct-q5_k_m.gguf"

TEMPLATE "{ { if .System }}<|im_start|>system

{ { .System }}<|im_end|>

{ { end }}{ { if .Prompt }}<|im_start|>user

{ { .Prompt }}<|im_end|>

{ { end }}<|im_start|>assistant

{ { .Response }}<|im_end|>

"

PARAMETER stop <|im_start|>

PARAMETER stop <|im_end|>

PARAMETER num_ctx 16384

Modelfile的内容中有几个主要参数如下：

● FROM - 指定前面下载的模型文件路径，可以用相对路径或绝对路径；

● PARAMETER - 定义一些模型参数，比如推理终止符，上下文长度等；

● TEMPLATE - 这个很重要，通常HuggingFace的Model Card详情里面有相关信息，如果没有，则可以到 Ollama主页找相同的base模型，比如qwen2的标准模型的详情页面会提供。

如果已经下载过Ollama提供的qwen2 base模型，也可以直接通过 ollama show 命令找到相关的信息，然后复制出来。

有关Modelfile的编写格式，参数设置我目前也了解不多，道友可以自行搜索更多有用的信息。

通过以下命令来装载GGUF模型文件到Ollama

<code>ollama create qwen2-7b-instruct:q5_k_m -f Modefile

通过这个命令，Ollama会自动创建模型需要的多个Layers（跟Docker相似），成功后就和从Ollama模型库直接拉取的模型一样使用了。

如果HuggingFace上也没有GGUF类型的模型文件，那么下载safetensors文件，然后使用Ollama提供的quantize container转换成GGUF格式模型文件也ok。

<code>docker run --rm -v .:/model ollama/quantize -q q5_K_M /model

转换完成后在当前目录生成一个 f16.bin文件(原始大小的gguf格式模型文件)，和一个q5\_K\_M.bin文件，这个文件就是我们需要的，可以通过前面的步骤装载进Ollama平台的GGUF格式的模型文件。

LocalAI

因为Ollama目前不支持Reranker模型，只得再引入一个支持的框架，LocalAI就是其中一款。使用LocalAI部署大模型也比较方便，它支持Reranker模型的方法实际是集成了Rerankers这个Python项目（github上可以找到这个项目）。只是相关文档偏少，学习搞懂如何使用还颇费了一番功夫。

LocalAI资源

https://localai.io/ - LocalAI 官方站点

https://github.com/mudler/LocalAI - LocalAI的Github站点

https://github.com/AnswerDotAI/rerankers - Rerankers项目的GitHub站点

部署LocalAI

LocalAI官网有较为详细的安装介绍，其中推荐的也最简单的方式就是使用Docker部署。根据本地服务器上Nvidia显卡驱动和安装的CUDA版本，选择合适的Docker镜像。LocalAI是通过给不同类型的模型提供不同的后端支持模块 - Backend -来运行不同类型的大模型提供服务。为了简单，我选用了AIO(All-In-One)类型的Docker镜像，直接预安装了全部Backend模块，包括Rerankers.

这个docker镜像比较大，是一个独立完整的LocalAI工作空间。通过Docker方式部署后，运行LocalAI官网提供的各种示例命令都需要在container环境中执行，比如用local-ai工具下载和运行大模型。

<code># 先创建一个docker volume local-ai-data2

docker run -p 8080:8080 -d --gpus all --name local-ai-2 -v local-ai-data2:/build/models -ti localai/localai:latest-aio-gpu-nvidia-cuda-12

# 如果需要拉取模型，可以进入docker环境

docker exec -ti local-ai-2 bash

Container启动时会自动运行LocalAI服务，并把服务映射到主机8080端口。之后可以通过http://localhost:8080/v1/rerank地址调用。

Rerankers介绍

Rerankers是Github上支持rerank模型本地化的一个开源项目，支持不同类型的rerank模型，比如transformer-based, API-based，RankGTP等。我理解transformer-based cross-encoder类型的模型是主流，所以后续采用的也是这种。我了解有限，建议参考github项目文档了解更全面的信息。

基于Embedding模型的向量库检索和基于RRF(倒数排序融合)等排序算法的BM25文本检索都可以提供文档相似度或相关性打分排序，为何还要使用reranker模型？前一篇文章中已有说明，这里不再赘述。

安装Reranker模型

LocalAI可以通过其Model Gallery的web portal (http://localhost:8080)安装模型。不过Gallery只提供了一个Reranker示例供安装测试，

# name 是LocalAI对外提供模型服务的模型名称

name: jina-reranker-v1-base-en

# backend 是LocalAI提供模型服务的后端模块名，必须是合法的后端模块名称

backend: rerankers

# model是真正的模型名称，LocalAI模型库中的模型名称

parameters:

model: cross-encoder

# optionally:

# type: flashrank

# diffusers:

# pipeline_type: en # to specify the english language

可以手工从LocalAI模型库下载模型，

local-ai run hermes-2-theta-llama-3-8b

# or

local-ai models install hermes-2-theta-llama-3-8b

LocalAI支持从其他模型库下载模型，比如HuggingFace，Ollama等，

# Start LocalAI with the phi-2 model

local-ai run huggingface://TheBloke/phi-2-GGUF/phi-2.Q8_0.gguf

# Install and run a model from the Ollama OCI registry

local-ai run ollama://gemma:2b

# Run a model from a configuration file

local-ai run https://gist.githubusercontent.com/.../phi-2.yaml

# Install and run a model from a standard OCI registry (e.g., Docker Hub)

local-ai run oci://localai/phi-2:latest

除了以上模型安装方式，还可以使用 Yaml配置文件安装方式，这也是推荐的方式。进入container的/build/modles/ 目录，创建一个yaml文件，如下内容，

name: bge-reranker-large

backend: rerankers

parameters:

model: BAAI/bge-reranker-large

重启container，就会自动从模型库下载 BAAI/bge-reranker-large模型，并通过LocalAI的rerankers后端模块运行起来，并对外提供模型名为 bge-reranker-large的排序模型服务。

通过RestAPI的方式调用该服务示例如下，

curl http://localhost:8080/v1/rerank \

-H "Content-Type: application/json" \

-d '{

"model": "bge-reranker-large",

"query": "Organic skincare products for sensitive skin",

"documents": [

"Eco-friendly kitchenware for modern homes",

"Biodegradable cleaning supplies for eco-conscious consumers",

"Organic cotton baby clothes for sensitive skin",

"Natural organic skincare range for sensitive skin",

"Tech gadgets for smart homes: 2024 edition",

"Sustainable gardening tools and compost solutions",

"Sensitive skin-friendly facial cleansers and toners",

"Organic food wraps and storage solutions",

"All-natural pet food for dogs with allergies",

"Yoga mats made from recycled materials"

],

"top_n": 3

}'

API调用需要提供模型名称，查询，文档列表和需要返回的得分最高的top_n（有些Reranker模型会给出所有文档的得分并排序输出全部文档）给到API接口；后续在Llamaindex或者Langchain中远程调用也是基于这个API接口。

调用API接口输出如下，可以在python中通过json反序列化之后以字典对象的方式使用，

LocalAI支持的reranker模型有英文，中英文和多语言的，比如前述示例中的 bge-reranker-large就是支持中英文的模型。Rerankers支持不同类型的排序模型，包括Jina cloud。之前有尝试部署 jina-reranker-v2-base-multilingual 本地模型，但发现Rerankers默认总是调用Jina Cloud模型，需要适当的定制化修改，才可以让它调用本地部署的多语言排序模型。因为bge也提供本地部署的多语言模型，改动rerankers源码使其支持本地Jina模型意义不大，这里不过多介绍。

模型远程调用

无论Ollama还是LocalAI本地化部署的大模型服务都需要考虑远程访问能力，毕竟我们不大会把所有AI应用都和本地化部署的大模型放在同一台服务器上。

通过Docker 部署的LocalAI服务，在运行时要把container的服务端口映射到主机，AI应用服务器通过该主机的主机名或IP地址访问映射端口即可访问LocalAI提供的大模型服务。

如果需要在大模型开发框架比如LlamaIndex或Langchain中调用LocalAI服务，可以直接使用框架提供的能力调用 文本生成和嵌入类型的模型服务，但是却没有找到调用Reranker服务的接口或示例。经过一点儿研究，发现可以参考JinaRerank接口，做适当修改即可（前一篇文章中copy错了代码，这里提供一下）。示例如下，

<code># LocalAI 本地化部署的URL, 例如: http://172.16.100.100:8080/v1/rerank/

API_URL = settings.RERANKER_HOST_URL

# 可以修改代码直接从传输到服务的数据中去掉也可以，简单点儿使用一个fake Key

API_KEY = "sk_test_1234567890"

dispatcher = get_dispatcher(__name__)

class LocalAIRerank(BaseNodePostprocessor):

api_url: str = Field(default=API_URL, description="The URL to call for reranking.") code>

api_key: str = Field(

default=None, description="Copied from Jina class. Will be ignored here." code>

)

model: str = Field(

default=RerankLocalModels.BGE_RERANKER_LARGE,

description="The model to use when calling Local AI Reranking API", code>

)

top_n: int = Field(description="Top N nodes to return.") code>

# 这里增加一个得分阈值，可以去掉相关性得分低于阈值的文档记录，在 _postprocess_nodes 函数中用一个列表推导式进行过滤即可

score_threshold: float = Field(description="The score threshold to filter nodes") code>

_session: Any = PrivateAttr()

def __init__(

self,

top_n: int = 4,

model: str = RerankLocalModels.BGE_RERANKER_LARGE,

api_url: Optional[str] = API_URL,

api_key: Optional[str] = None,

score_threshold: float = 0.0,

):

super().__init__(top_n=top_n, model=model, score_threshold=score_threshold)

self.api_url = api_url or API_URL

self.api_key = api_key or API_KEY

self.model = model

self.score_threshold = score_threshold

self._session = requests.Session()

self._session.headers.update(

{

"Authorization": f"Bearer {self.api_key}",

"Accept-Encoding": "identity",

"Content-Type": "application/json",

}

)

# _postprocess_nodes 方法处理从LocalAI服务返回的数据，直接抄JinaRerank类的代码即可

# 全部代码较多，这里就只提供增加的得分过滤部分

def _postprocess_nodes(

self,

nodes: List[NodeWithScore],

query_bundle: Optional[QueryBundle] = None,

) -> List[NodeWithScore]:

...

new_nodes = [

node for node in new_nodes if node.score > self.score_threshold

]

new_nodes = new_nodes[: self.top_n]

...

Ollama默认通过 11434端口提供服务，比如本地访问http://localhost:11434。对于Ollama提供的文本生成或Embedding嵌入模型，Llamaindex和Langchain开发框架都提供完备的调用方法，比如Llamaindex中，

from llama_index.llms.ollama import Ollama

from llama_index.embeddings.ollama import OllamaEmbedding

llm = Ollama(

base_url=settings.OLLAMA_HOST_URL,

model=LLMLocalModels.QWEN2_7B,

temperature=self.temperature,

)

embed_model = OllamaEmbedding(

base_url=settings.OLLAMA_HOST_URL,

model_name=EmbedLocalModels.GTE_QWEN2_1D5B,

)

这里需要说明一点儿，Ollama的Daemon服务安装到系统后，默认只允许通过localhost/127.0.0.1回环地址访问。配置远程服务能力，需要增加一个OLLAMA_HOST的环境变量，设置为0.0.0.0:11434，使主机上所有IP地址的11434端口都可以响应请求，提供服务。

另外，如果在Ollama运行的主机上用Docker方式部署了Dify或者OpenWebUI等大模型应用框架，需要连接本机部署的Ollama服务时，不能使用http://localhost:11434这个地址。因为这里localhost会被当成Dify/OpenWebUI的container自身，而不是Ollama所在的主机。因此这里需要使用http://host.docker.internal:11434，其中host.docker.internal DNS名是docker新版本好像0.22之后增加的一个特性，该特性默认在创建的container中添加本地DNS解析(/etc/hosts)并指向Docker网络的网关地址，这个网关地址在主机和container层面都是可见的，用来桥接主机和container；或者也可以在Dify/OpenWebUI的portal中直接配置Ollama所在主机的主机名或网络地址URL，比如http://<hostname/IP>:11434。

以上的AI大模型学习资料，都已上传至CSDN，需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【<code>保证100%免费】

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。