【保姆级教程】llama.cpp大模型部署全攻略：CPU/GPU全兼容，小白也能轻松上手！

Ne0inhk

23 Mar 2026 — 8 min read

一、简介

• llama.cpp 是一个在 C/C++ 中实现大型语言模型（LLM）推理的工具
• 支持跨平台部署，也支持使用 Docker 快速启动
• 可以运行多种量化模型，对电脑要求不高，CPU/GPU设备均可流畅运行
• 开源地址参考：https://github.com/ggml-org/llama.cpp

• 核心工作流程参考：

二、安装与下载模型（Docker方式）

1. 搜索可用模型

• 这里以 qwen3-vl 模型为例，提供了多种量化版本，每种版本的大小不一样，根据自己的电脑性能做选择，如选择（模型+量化标签）：Qwen/Qwen3-VL-8B-Instruct-GGUF:Q8_0

• 可以在huggingface官网中搜索可用的量化模型：https://huggingface.co/models?search=gguf

2. 使用 docker-compose 安装启动 llama.cpp

• 提前安装好Docker、docker-compose软件环境
• （可选）如果有GPU，需要安装好 NVIDIA 驱动程序、NVIDIA Container Toolkit
英伟达驱动安装参考文档： https://developer.nvidia.com/cuda-toolkit-archive
NVIDIA Container Toolkit安装参考：https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html

//运行下面命令，如果输出显卡信息即Docker内可以正常使用GPUdocker run --rm --gpus all nvidia/cuda:12.5.0-runtime-ubuntu22.04 nvidia-smi

• 新建docker-compose.yml配置文件，参考下面内容：
CPU运行版本

services: llama-cpp-server: image: ghcr.io/ggml-org/llama.cpp:server ports: - "8000:8000" volumes: - ./cache:/root/.cache command: > -hf Qwen/Qwen3-VL-8B-Instruct-GGUF:Q8_0 --jinja -c 65535 --port "8000" --host 0.0.0.0 restart: unless-stopped

GPU运行版本

services: llama-cpp-server: image: ghcr.io/ggml-org/llama.cpp:server-cuda ports: - "8000:8000" volumes: - ./cache:/root/.cache command: > -hf Qwen/Qwen3-VL-8B-Instruct-GGUF:Q8_0 --jinja -c 65535 --port "8000" --host 0.0.0.0 --n-gpu-layers 99 restart: unless-stopped deploy: #使用GPU主要增加这个配置 resources: reservations: devices: - driver: nvidia count: all #使用所有GPU，可以指定数量和特定GPU capabilities: [gpu]

关键参数注解，参考如下

-hf # 从 HuggingFace 自动下载模型--jinja # 启用聊天格式模板（多轮对话必需）-c 65535 # 上下文窗口大小（tokens数量，越大占用越多显存）--port "8000" # 容器内监听端口--host 0.0.0.0 # 监听所有网络接口（Docker 容器必需）--n-gpu-layers 99 # GPU 加载层数（99=全部层，0=纯CPU）更多参数用法参考：https://github.com/ggml-org/llama.cpp/blob/master/tools/server/README.md

• 配置完，直接一键启动即可

docker-compose up -d
初次启动会自动从huggingface下载模型可能比较耗时（网络不好的话请自行配置加速代理），成功下载并启动截图如下：

三、使用

1. llama.cpp 默认提供的 Web Ui中使用

• 启动后，可直接访问：http://ip:8000/，进入对话页面

• 在对话界面，可以输入文本、文件、图片等直接和启动的模型进行对话
文本对话

多模态对话

2. 使用 llama.cpp 提供的 Openai 接口兼容 API

• 多模态对话示例
上面启动的 Qwen/Qwen3-VL 是非常强大的多模态模型，可以进行图片对话，输入下面手写文本图片

postman请求示例截图如下：

• 文本对话API，适合通用问题回答
postman请求示例截图如下：

四、总结

• llama.cpp 是个非常强大大语言模型启动工具，让普通电脑也能快速运行大语言模型，基于C/C++开发，性能比 Ollama 更优
• 安装依赖较少，兼容CPU/GPU，可跨平台部署，可Docker一键部署
• 提供Web Ui在线访问，也提供 Openai 接口兼容的 Api ，方便快速接入各种客户端
• 私有部署，完全免费且私密，可以满足各种应用场景，如询问一下私密问题、搭建本地AI笔记、搭建本地AI数据库应用、识别自己的图片内容等

五、AI大模型从0到精通全套学习大礼包

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

只要你是真心想学AI大模型，我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

如果你也想通过学大模型技术去帮助就业和转行，可以扫描下方链接👇👇
大模型重磅福利：入门进阶全套104G学习资源包免费分享！

01.从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

02.AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

03.学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

04.大模型面试题目详解

05.这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。