llama.cpp 重大更新：内置 Web UI，性能对比 Ollama

llama.cpp 重大更新

Ollama 背后执行推理的核心技术其实是由 llama.cpp 承担的，GGUF 模型格式也是由 llama.cpp 的作者所开发。

现在 llama.cpp 迎来重大更新，它也有了自己的 Web UI。官方介绍优势如下：

• 完全免费、开源且由社区驱动
• 在所有硬件上表现出色
• 高级上下文和前缀缓存
• 并行和远程用户支持
• 极其轻量级且内存高效
• 充满活力且富有创造力的社区
• 100% 隐私

安装与启动

使用之前需要先安装 llama.cpp server。

# Windows (Winget)
winget install llama.cpp

# Mac and Linux (Homebrew)
brew install llama.cpp

然后启动 UI，为了快速测试，调用 Qwen2.5 的 0.5B 版本：

llama-server -hf Qwen/Qwen2.5-0.5B-Instruct-GGUF --jinja -c 0 --host 127.0.0.1 --port 8033

量化后模型文件不到 500Mb，默认选 q4_k_m。

浏览器打开访问界面。

随便问个问题，速度 97t/s。对比 Ollama 82t/s 的样子。

功能特性

其他功能也都挺实用：

从磁盘或剪贴板添加多个文本文件到对话的上下文中。

将一个或多个 PDF 附件添加到对话中。默认情况下，PDF 的内容将被转换为纯文本，不包括任何视觉元素。

也可以在 AI 模型支持的情况下将 PDF 处理为图像。

当所选的 AI 模型具有视觉输入能力时，可以在对话中插入图片：

图片可以与文本上下文一起插入：

可以渲染数学表达式：

使用 Import/Export 选项直接管理私人对话：

新的 WebUI 对移动设备友好：

其他功能还有，比如：

• 支持通过 URL 参数传递输入
• 根据之前的讨论点编辑或重新生成消息以创建分支
• 同时运行多个聊天对话
• 并行图像处理
• 支持嵌入式渲染生成的 HTML/JS 代码
• 指定一个自定义的 JSON 模式以约束生成的输出到特定格式

打包与应用

目前硬伤是只能浏览器访问，想打包成 app 也可以，我使用的是 tw93 开发的 pake，一行命令即可，本地服务也可以打包成 app。

然后它就将只能浏览器访问的 web 应用打包成 app 了。

如此轻量舒服的应用，我与这位网友有相同的期待——支持其他模型的接入。

总结与局限

总结来看，比之前想要挑战 ollama 的 Shimmy 要好很多，但是 Ollama 玩了这么久也不是吃素的：

1. Ollama 有更加方便的 app，随时切换本地模型甚是方便
2. Ollama 还有免费云模型可以调用呢
3. 网络问题，它目前只能支持 HF 下载模型，国内用户不友好
4. 网络搜索和 MCP 也不支持