Ollama 是一款基于llama.cpp 的应用程序，可直接通过计算机与 LLM 交互。

你可以直接使用 Ollama 在Hugging Face 上使用社区创建的任何 GGUF 量化，而无需创建新的模型文件。

在撰写本文时，Hub 上有 45K 个公共 GGUF checkpoint，你可以使用单个 ollama run 命令运行其中任何一个。

Ollama 还提供自定义功能，例如选择量化类型、系统提示等，以改善你的整体体验。

入门非常简单：

1. 在本地应用程序设置下启用 ollama。

2. 在模型页面上，从使用此模型下拉列表中选择 ollama。

   例如：bartowski/Llama-3.2-1B-Instruct-GGUF。

该代码片段的格式如下：

ollama run hf.co/{username}/{repository}

请注意，你可以使用 hf.co 和huggingface.co 作为域名。

以下是你可以尝试的一些模型：

ollama run hf.co/bartowski/Llama-3.2-1B-Instruct-GGUFollama run hf.co/mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated-GGUFollama run hf.co/arcee-ai/SuperNova-Medius-GGUFollama run hf.co/bartowski/Humanish-LLama3-8B-Instruct-GGUF

自定义量化

默认情况下，当模型存储库中存在 Q4_K_M 量化方案时，将使用该方案。

如果没有，我们默认选择存储库中存在的一种合理的量化类型。

要选择其他方案，只需：

1. 从模型页面上的“文件和版本”选项卡中，打开特定 GGUF 文件的 GGUF 查看器。

2. 从“使用此模型”下拉列表中选择 ollama。

片段的格式为（添加了量化标签）：

ollama run hf.co/{username}/{repository}:{quantization}

例如：

ollama run hf.co/bartowski/Llama-3.2-3B-Instruct-GGUF:IQ3_Mollama run hf.co/bartowski/Llama-3.2-3B-Instruct-GGUF:Q8_0# the quantization name is case-insensitive, this will also workollama run hf.co/bartowski/Llama-3.2-3B-Instruct-GGUF:iq3_m# you can also directly use the full filename as a tagollama run hf.co/bartowski/Llama-3.2-3B-Instruct-GGUF:Llama-3.2-3B-Instruct-IQ3_M.gguf

自定义聊天模板和参数

默认情况下，将从常用模板列表中自动选择一个模板。它将根据 GGUF 文件中存储的内置tokenizer.chat_template 元数据进行选择。如果你的 GGUF 文件没有内置模板，或者你想自定义聊天模板，

你可以在存储库中创建一个名为 template 的新文件。

模板必须是 Go 模板，而不是Jinja 模板。以下是一个例子：

{{ if .System }}<|system|>{{ .System }}<|end|>{{ end }}{{ if .Prompt }}<|user|>{{ .Prompt }}<|end|>{{ end }}<|assistant|>{{ .Response }}<|end|>

要了解有关 Go 模板格式的更多信息，请参阅此文档：

https://github.com/ollama/ollama/blob/main/docs/template.md

你可以选择将系统提示放入存储库中名为 system 的新文件中，以对其进行配置。

要更改采样参数，请在存储库中创建名为 params 的文件。该文件必须采用 JSON 格式。有关所有可用参数的列表，请参阅此文档：

https://github.com/ollama/ollama/blob/main/docs/modelfile.md#parameter

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​