一、llama.cpp 介绍
使用纯 C/C++推理 Meta 的LLaMA模型（及其他模型）。主要目标llama.cpp是在各种硬件（本地和云端）上以最少的设置和最先进的性能实现 LLM 推理。纯 C/C++ 实现，无任何依赖项Apple 芯片是一流的——通过 ARM NEON、Accelerate 和 Metal 框架进行了优化AVX、AVX2、AVX512 和 AMX 支持 x86 架构1.5 位、2 位、3 位、4 位、5 位、6 位和 8 位整数量化，可加快推理速度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 Moore Threads MTT GPU）Vulkan 和 SYCL 后端支持CPU+GPU 混合推理，部分加速大于 VRAM 总容量的模型。
Github 地址：https://github.com/ggerganov/llama.cpp
下载地址：https://github.com/ggerganov/llama.cpp/releases
二、 llama.cpp安装
llama.cpp：基于C++重写了 LLaMa 的推理代码，是一种推理框架。支持动态批处理，支持混合推理。
llama.cpp：只支持 gguf 格式的模型，可以自己生成或从 huggingface 等平台下载 gguf 格式的模型；
2.1、llama.cpp：纯 CPU 运行，并且支持 avx512 指令集，
地址：https://github.com/ggerganov/llama.cpp/releases/download/b4658/llama-b4658-bin-win-avx512-x64.zip，
#运行参数配置：https://github.com/ggerganov/llama.cpp/tree/master/examples/server
#下载完成后，解压到 D:\llama-b4658-bin-win-avx512-x64 目录
linux
##llama.cpp
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp/
make
##下载模型并转换
conda create -n llamacpp python=3.12
conda activate llamacpp
pip install -r requirements.txt
###下载模型到 models/ 目录下
cd models
sudo apt-get install git-lfs
# or
git lfs install
git clone https://www.modelscope.cn/qwen/Qwen2-0.5B-Instruct.git
./llama-cli -m models/Qwen2-0.5B-Instruct/Qwen2-0.5B-Instruct-F
16.gguf -p hello -n 256
$推理测试
2.2、DeepSeek-R1 模型
下载地址：https://hf-mirror.com/lmstudio-community/DeepSeek-R1-Distill-Qwen-1.5B-GGUF/tree/main，本文以#“DeepSeek-R1-Distill-Qwen-1.5B-Q3_K_L.gguf”为例。
2.3llama.cpp 部署 DeepSeek-R1 模型
在 DeepSeek-R1-Distill-Qwen-1.5B-Q3_K_L.gguf 文件目录下面执行如下命令：
chcp 65001
set PATH=D:\llama-b4658-bin-win-avx512-x64;%PATH%
llama-server -m DeepSeek-R1-Distill-Qwen-1.5B-Q3_K_L.gguf --port 8080
使用浏览器打开 http://127.0.0.1:8080/ 地址进行测试，
curl --request POST \
--url http://localhost:8080/completion \
--header "Content-Type: application/json" \
--data '{"prompt": "
Building a website can be done in 10 simple steps:",“n_predict”: 128}’