llama.cpp 大模型部署指南：CPU/GPU 兼容与 Docker 快速启动

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 GPU
docker 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:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              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