端侧跑大模型，现在也太简单了

机器之心编译

最近，我们都在关注旗舰级大模型的进步，其实本地运行的 AI 模型也迎来了重要的分水岭。

在可行性和实用性方面，很多新模型已经实现了性能的跨越，不论智力、智能体（Agent）能力还是工具链成熟度，在最近半年里都有巨大的提升。

看起来已经能做到「点两下就能跑」了。

本文作者 Vicki Boykis 是一家创业公司的创始机器学习工程师，主要从事推荐系统 / 个性化 / 信息检索方面的工作。

此前，她曾在 Mozilla.ai 从事 LLM 和 LLM 基础设施方面的工作，也曾在 Duo、Tumblr、Automattic 和 Comcast 从事机器学习和推荐系统方面的工作。

她最近发表的博客文章，在 HackerNews 上成了爆款：

我从本地模型刚推出时就开始和它们合作，现在它们已经做得出乎意料地好了。

我有一台 2022 年款 M2 Mac，配备 64 GB 内存和 1TB 存储空间。基于这样的硬件，我一直都在使用：

• Mistral 7B
• Gemma 3
• OpenAI OSS-20B
• Qwen 3 MOE，以及其他一些 Qwen 变体，例如 Qwen 2.5 Coder。

在许多不同的系统设置中，例如：

• 使用 Open WebUI 的原始 llama.cpp 文件
• llama-cpp-python
• Ollama
• llamafiles
• LM Studio

现在的本地模型，是个什么水平？

在大模型兴起后，本地模型运行缓慢、难以使用是常态，而且对于大多数编程任务来说准确率不高。本地模型严重落后的观点在很大程度上是正确的，直到 2025 年 8 月 OpenAI GPT-OSS 的发布才让我们改变了这种看法。我没有确凿的科学证据 —— 我个人判断一个模型是否足够好的标准是「我是否需要将其与 API 模型进行比对」，而 GPT-OSS 是我第一个开始大幅减少这种比对次数的模型。

因此，我主要使用本地模型作为快速、个性化的谷歌，来解答不需要时效性的开发问题。

但是随着谷歌最新发布的 Gemma 4 系列产品，我终于能够在本地进行智能体编码，并且循环的准确率 / 速度达到了前沿模型的 75% 左右，这真是令人难以置信。

目前为止，我一直使用 gemma-4-26b-a4b LM Studio 实现作为我的默认本地模型。到目前为止，我使用本地设置完成了以下工作：将一个 Python 脚本（原本是一个 notebook）重构为一个包含 5-6 个模块的仓库，并对该模块进行代码检查，以确保泛型使用正确的类型提示（现在大多数前沿模型都会自动执行此操作，但并非总是如此）。

我还用它来校对一些博客文章、编写单元测试，以及搭建一个基于双塔模型的推荐系统仓库，看看智能体在空白环境下会如何运作。以下是它生成的内容，虽然非常基础，但仍然远远超出了我去年所能想象的范围：

请注意，由于我将所有智能体工作流运行在具有有限执行权限的 Docker 容器中，因此环境受到限制。

我还在开发一款应用，用于筛选 arXiv 论文中的热门话题。出于好奇，我让 Pi 查看了我之前的 LM Studio 会话日志，想弄清楚我使用 LM Studio 的目的是什么：

不出所料，自从我开始参与 Rijksearch 项目以来，

这些任务都不是什么突破性的任务（再次强调，都是大量的个性化 Google / 文档查找），但处理这些任务确实让我的 GPU 和 RAM 得到了充分的使用，KV 缓存增长到了 64 GB RAM。

但对我来说，更重要的一点是，就在 6 个月前，这类任务即使再简单，对于本地模型来说也是不可能完成的。

Gemma-4-12b-qat 虽然刚发布不久，但其性能与规模相比已经给我留下了深刻的印象。模型架构本身就非常有趣，并提出了一系列引人深思的问题，例如「如果我们受到性能和价格的限制，我们需要在架构上做出哪些权衡？」—— 这个问题在目前疯狂的 token 淘金热潮中还没有真正被提出过。

本地运行 Agent 模型

但别光听说，自己动手试试吧！如果你想运行本地智能体流程，你需要一个本地模型推理引擎、一个智能体框架以及本地模型工件。你需要配置智能体框架，使其指向你的本地推理端点，也就是通过推理引擎提供的已下载模型工件。

就我的本地设置而言，我目前使用 Pi 作为智能体框架，LM Studio 作为推理服务器，尽管如果我直接使用 llama.cpp 可能会更快 —— 这是未来实验的一个潜在方向。

这篇文章（https://patloeber.com/gemma-4-pi-agent/）很容易理解，它指导我们如何用 Pi 和 LM Studio 设置智能体编码，虽然我对文章中的设置做了一些调整。

1、模型：该文章推荐 Gemma 26B A4B，但 gemma-4-12b-qat 更新、更小、更快，而且准确性没有太大损失。

2、安全性：我将所有 Pi 会话都运行在 Docker 容器中，并只授予其 bash 权限，这样它就无法运行 Python 代码或进行网页浏览，尽管我计划在另一个镜像中允许 curl 用于我正在进行的一些研究工作。

3、智能体配置：由于我所有程序都在 Docker 中运行，所以我编辑了 Pi 的配置 models.json，以便让 Pi 与模型通信。

"lmstudio": { "baseUrl": "http://host.docker.internal:1234/v1",

"api": "openai-completions",

"apiKey": "not-needed",

"models": [ { "id": "google/gemma-4-12b-qat",

"input": [ "text",

"image" ] } ] }

这是我的 Docker Compose 配置：

services:

pi:

build:

context: .

dockerfile: Dockerfile

image: pi-agent:0.74.0

init: true

stdin_open: true

tty: true

extra_hosts:

- "host.docker.internal:host-gateway" environment:

ANTHROPIC_API_KEY: ${ANTHROPIC_API_KEY:-} OPENAI_API_KEY: ${OPENAI_API_KEY:-not-needed} GEMINI_API_KEY: ${GEMINI_API_KEY:-} OPENAI_API_BASE: ${OPENAI_API_BASE:-http://host.docker.internal:1234/v1} # note that you'll need to specify a base if you also use OpenAI to access OpenAI's actual completions endpoint WHATEVER_API_KEY: ${WHATEVER_API_KEY:-} volumes:

- ${HOME}/.pi/agent/models.json:/config/models.json

- ${WORKSPACE:-.}:/workspace

- pi-config:/config

- pi-sessions:/sessions

working_dir: /workspace

volumes:

pi-config:

pi-sessions:

这是运行的 bash 脚本 pi。

#!/usr/bin/env bash

# Pi — Start the containerized Pi agent.

# Directory containing this script and the compose files.SCRIPT_DIR="(dirname "${BASH_SOURCE[0]}")" && pwd)"

# Workspace to mount into the container. WORKSPACE_DIR="${WORKSPACE:-$(pwd)}"case "$WORKSPACE_DIR" in

*) WORKSPACE_DIR="WORKSPACE_DIR" && pwd)" ;;

esacexport WORKSPACE="$WORKSPACE_DIR"

sandbox="${PI_SANDBOX:-0}"pi_args=()

while (($#)); do case "$1" in

--sandbox) sandbox=1 ;;

--no-sandbox) sandbox=0 ;;

*) pi_args+=("$1") ;;

esac shift

done

compose_files=( -f "$SCRIPT_DIR/docker-compose.yml" )if [[ "$sandbox" == "1" ]]; then # an even more secure sandbox compose_files+=( -f "$SCRIPT_DIR/docker-compose.sandbox.yml" )fi

# Derive a container name from the workspace directory's basename.# Sanitize to characters Docker accepts: [a-zA-Z0-9][a-zA-Z0-9_.-]*repo_slug="WORKSPACE_DIR" | tr -c 'a-zA-Z0-9_.-' '-' | sed 's/^-*//')"[[ -z "$repo_slug" ]] && repo_slug="workspace"container_name="pi-${repo_slug}-$$"

api_key_args=( -e OPENAI_API_KEY

-e DEEPSEEK_API_KEY

-e ANTHROPIC_API_KEY

-e GEMINI_API_KEY

cmd=( docker compose

--project-directory "$SCRIPT_DIR" "${compose_files[@]}" run --rm

--name "$container_name" "${api_key_args[@]}" pi

if ((${#pi_args[@]})); then cmd+=("${pi_args[@]}")fi

exec "${cmd[@]}"

我构建了 Docker 容器，并修改了它自身仓库中的文件。然后，我在我正在编辑的仓库中运行 Pi，这样 Pi 就会启动 Docker，从而避免因直接操作我的物理硬盘而擦除文件或目录。此外，json 通过将自定义模型配置传输到容器中，运行在容器中的 Pi 也能够访问这些配置。所有这些在我的实验中都运行良好。

本地模型仍然存在一些问题：推理速度可能较慢，上下文窗口较小且受限于你自己的硬件和生态系统，尽管像 LM Studio 和 HuggingFace 的「使用此模型」按钮之类的工具已经大大简化了相关工作。早期版本存在提示模板不匹配的问题。不过，这些问题通常都能很快得到修复。毋庸置疑，我不确定它是否已经完全准备好用于生产软件开发。

不过，其优势众多，而且该生态系统至关重要，值得投资，尤其是在当下。本地化模式最吸引人的地方之一在于，你可以深入了解几乎所有方面，例如实时观察 token 推断过程。

并观察 token 的流入 / 流出。

你可以进行诸如更改本地上下文窗口、观察性能提升或下降等操作，并深入了解 GPU 如何处理令牌。你可以更改系统提示符和量化设置。你可以对比不同的模型。你还可以更改和分析测试框架。

可能性无穷无尽，工具也只会越来越好。

参考内容：

https://vickiboykis.com/2026/06/15/running-local-models-is-good-now/