本地离线部署AI大模型：OpenClaw + Ollama + Qwen3.5:cloud/Qwen3:0.6b 超详细教程（无需GPU）

优质文章学习记录

— 7 min read
本地离线部署AI大模型：OpenClaw + Ollama + Qwen3.5:cloud/Qwen3:0.6b 超详细教程（无需GPU）

前言

随着开源大模型越来越成熟，我们完全可以在自己电脑上本地运行AI，不联网、不上传数据、免费使用，隐私性极强。

今天这篇文章，我会一步步带你完成：Ollama + Qwen3.5:cloud（主力模型）+ Qwen3:0.6b（轻量备选）+ OpenClaw 的本地部署，实现一个属于自己的本地聊天AI，兼顾效果与低配置适配。

一、项目介绍

本项目实现本地离线运行阿里通义千问系列大模型（Qwen3.5:cloud 主力模型 + Qwen3:0.6b 轻量备选模型），全程不需要云端API，不需要高性能显卡，普通电脑就能跑，可根据自身电脑配置选择对应模型。

用到的工具：

    • Ollama：最简单的本地大模型管理工具，一键拉取、运行、管理模型
    • Qwen3.5:cloud：阿里云开源的轻量高性能大语言模型，对话效果强、适配本地部署，作为主力使用
    • Qwen3:0.6b：阿里云开源的超轻量大语言模型，占用内存极低（1GB左右），适合8GB内存低配电脑，作为备选模型
    • OpenClaw：美观好用的本地AI可视化交互界面
    • 特点：免费、离线、隐私安全、低配置可运行

二、环境准备

    • 操作系统：Windows 10 / Windows 11
    • 内存：最低 8GB（推荐 16GB 更流畅）
    • 无需独立显卡，CPU 即可运行
    • 网络：仅在下载模型时需要，运行时可完全断网

三、详细安装步骤

  1. 安装 Ollama

Ollama 是运行模型的核心，安装非常简单。

  1. 打开官网：https://ollama.com/
  2. 点击 Download 下载 Windows 版本
  3. 双击安装，一路下一步
  4. 安装完成后，Ollama 会自动在后台运行

验证是否安装成功：

打开 CMD 或 PowerShell，输入：

ollama --version

出现版本号即成功。

  1. 使用 Ollama 下载并运行模型（Qwen3.5:cloud + Qwen3:0.6b）

我实际下载了两个模型，可根据自身电脑配置选择运行，优先推荐 Qwen3.5:cloud（效果更好），8GB内存低配电脑推荐 Qwen3:0.6b（更流畅）。

2.1 下载并运行 Qwen3.5:cloud（主力模型）

继续在命令行输入以下命令，
第一次运行会自动下载模型，下载完成后出现 >>> 即启动成功，可直接输入问题测试，适配低配电脑，运行流畅无压力。

ollama run qwen3.5:cloud

出现 >>> 表示模型已启动成功。

你可以直接在这里输入问题测试：

你好，介绍一下自己

在这里插入图片描述

模型能正常回答，说明 Qwen3.5:cloud 部署成功。

2.2 下载并运行 Qwen3:0.6b（轻量备选模型）

若电脑内存较低（8GB及以下），运行 Qwen3.5:cloud 卡顿，可下载 Qwen3:0.6b 超轻量模型，命令行输入：

ollama run qwen3:0.6b

出现 >>> 表示模型已启动成功。

你可以直接在这里输入问题测试：
你好，介绍一下自己

在这里插入图片描述

模型能正常回答，说明部署成功一半。

  1. 安装 OpenClaw 可视化界面

OpenClaw 让你不用敲命令，直接像 ChatGPT 一样聊天。

  1. 打开 OpenClaw 发布页：https://github.com/sqzw-x/OpenClaw
  2. 找到最新版本下载 Windows 安装包
  3. 解压或安装后打开软件
  4. 连接 OpenClaw 与本地 Ollama

打开 OpenClaw 后：

  1. 右上角进入设置
  2. 模型选择：根据自身需求选择，主力推荐 qwen3.5:cloud，低配电脑选择 qwen3:0.6b
  3. Ollama 地址保持默认：

http://localhost:11434

  1. 保存设置

回到主界面，即可开始聊天。

四、效果展示

在这里插入图片描述


在这里插入图片描述
在这里插入图片描述
  1. 与AI对话的效果截图
  2. 任务管理器内存占用展示（打开任务管理器，切换到“性能-内存”页面，同步显示AI运行状态）
在这里插入图片描述


在这里插入图片描述

示例说明：

  1. OpenClaw 连接成功界面（截图包含设置页面、模型选择（可分别展示 qwen3.5:cloud 和 qwen3:0.6b 选择界面）、地址配置）
    • 模型启动速度：约 3～10 秒
    • 回答速度：流畅，可日常使用

五、常见问题与解决方法（非常重要）

    • 内存占用：Qwen3.5:cloud 约 2GB～4GB，Qwen3:0.6b 约 1GB～1.5GB
    • 模型启动速度：Qwen3.5:cloud 约 3～10 秒，Qwen3:0.6b 约 1～3 秒
    • 回答速度：均流畅可日常使用，Qwen3:0.6b 适配低配电脑，卡顿更少
  1. 模型下载特别慢

解决方法：

    • 先暂停下载重新开始，进度不会变
    • 或等待半夜下载（网络高峰期避开）
  1. OpenClaw 连接失败 / 连不上 127.0.0.1:11434

解决方法：

    • 确保 Ollama 正在后台运行（任务栏右下角查看 Ollama 图标）
    • 重启 Ollama：任务栏右键 Ollama → Restart
    • 检查地址是否为：http://localhost:11434（切勿多写/少写字符）
  1. 电脑卡顿、内存不足

解决方法：

    • 关闭其他软件（尤其是浏览器、视频软件、后台下载工具）
    • 关闭其他软件（尤其是浏览器、视频软件、后台下载工具），释放内存

解决方法：

切换/运行 Qwen3:0.6b 命令：

    • 切换至超轻量模型：若运行 Qwen3.5:cloud 卡顿，可切换到 Qwen3:0.6b 模型，占用内存极低，适配8GB及以下低配电脑

ollama run qwen3:0.6b

命令：

    • 使用更小参数模型（若 qwen3.5:cloud 卡顿）：qwen3.5:4b
  1. OpenClaw 不显示模型（qwen3.5:cloud 或 qwen3:0.6b）

ollama run qwen3.5:4b

解决方法：

    • 重启 OpenClaw 软件，重新加载模型列表

解决方法：

    • 重新进入 OpenClaw 设置，根据自身需求选择 qwen3.5:cloud 或 qwen3:0.6b 模型并保存
    • 重启 OpenClaw 软件
    • 确认 Ollama 已成功拉取模型（命令行输入 ollama list 可查看已拉取的 qwen3.5:cloud 和 qwen3:0.6b 模型）
    • 确认 Ollama 已成功拉取模型（命令行输入 ollama list 可查看已拉取模型）

六、项目总结

通过 Ollama + Qwen3.5:cloud + OpenClaw，我们轻松实现了：

通过 Ollama + Qwen3.5:cloud（主力）+ Qwen3:0.6b（备选）+ OpenClaw，我们轻松实现了：

    • 本地离线运行大模型
    • 完全免费、无流量限制
    • 可视化界面，使用体验接近在线AI
    • 数据不上传，隐私百分百安全

适合人群：

    • 想学习AI本地部署的新手
    • 想学习AI本地部署的新手
    • 注重隐私、不想数据上传云端
    • 学生、开发者、日常办公使用；8GB内存低配电脑也能轻松适配（选择 Qwen3:0.6b 模型）
    • 注重隐私、不想数据上传云端
    • 学生、开发者、日常办公使用

Read more

基于深度学习的无人机航拍小目标检测算法研究

基于深度学习的无人机航拍小目标检测算法研究

本项目针对无人机航拍场景下的小目标检测问题，基于 YOLO11 系列模型，在 VisDrone 2019 数据集上进行训练与优化，并提供了完整的检测系统桌面应用，支持图片、视频、摄像头的实时检测与训练指标可视化。 一、项目概述 无人机航拍图像具有目标尺度小、密集分布、多尺度混合等特点，传统检测算法难以取得理想效果。本项目采用 Ultralytics YOLO11 框架，结合 VisDrone 数据集进行训练，实现了对行人、车辆等 10 类交通相关目标的高效检测，并配套开发了基于 PyQt6 的桌面应用，便于模型验证与日常使用。 二、数据集 2.1 数据集简介 本项目使用 VisDrone 2019-DET 数据集，由天津大学机器学习与数据挖掘实验室 AISKYEYE 团队发布，对应 ICCV 2019 "Vision

机器人十年演进

机器人十年演进(2015-2025)：从工业专用自动化设备到通用具身智能体的全栈革命 2015-2025年，是全球机器人产业完成**从「硬件定义的工业专用自动化设备」到「软件定义的通用具身智能体」**全栈式跃迁的黄金十年。这十年，机器人技术彻底打破了“只能在静态封闭产线执行固定重复动作”的核心桎梏，完成了从单机自动化到集群智能化、从人工示教编程到自主认知决策、从单一场景限定到全场景泛化适配的跨越式发展；同时，中国机器人产业完成了从完全技术跟随、海外品牌垄断，到全栈自主可控、核心领域全球领跑的历史性跨越，从全球机器人产业的“追随者”成长为“规则引领者”。 这十年，机器人产业的演进始终沿着「单机精度突破→柔性场景适配→规模化全场景落地→通用具身智能跃迁」的核心主线推进，与感知、定位、规控、标定、仿真、软件架构、算法、质量控制等核心子系统的迭代深度耦合，最终实现了从“工业自动化工具”到“可人机协同的智能伙伴”的本质蜕变。 一、核心演进四阶段：与产业发展同频的代际重构 机器人产业的十年演进，

ROS2机器人slam_toolbox建图零基础

系统：Ubuntu22.04 ROS2版本：Humble 雷达设备：rplidar_a1 一、安装必要的软件包 # 更新系统 sudo apt update # 安装slam_toolbox sudo apt install ros-humble-slam-toolbox # 安装RPLidar驱动 sudo apt install ros-humble-rplidar-ros # 安装导航相关包 sudo apt install ros-humble-navigation2 ros-humble-nav2-bringup 二、配置RPLidar_A1 创建udev规则（让系统识别雷达） # 创建udev规则 echo 'KERNEL=="ttyUSB*", ATTRS{idVendor}=="10c4", ATTRS{idProduct}