Llama.cpp 服务器

在 Clore.ai GPU 上使用 llama.cpp 服务器实现高效 LLM 推理

在 GPU 上使用 llama.cpp 服务器高效运行大型语言模型（LLM）。

所有示例都可以在通过以下方式租用的 GPU 服务器上运行： CLORE.AI 市场.

服务器要求

参数	最低	推荐
内存	8GB	16GB+
显存	6GB	8GB+
网络	200Mbps	500Mbps+
启动时间	约 2-5 分钟	-

由于 GGUF 量化，Llama.cpp 内存效率高。7B 模型可在 6-8GB 显存上运行。

在 CLORE.AI 上租用

1. 访问 CLORE.AI 市场

2. 按 GPU 类型、显存和价格筛选

3. 选择 按需 （固定费率）或 竞价 （出价价格）

4. 配置您的订单：

   • 选择 Docker 镜像

   • 设置端口（用于 SSH 的 TCP，Web 界面的 HTTP）

   • 如有需要，添加环境变量

   • 输入启动命令

5. 选择支付方式： CLORE, BTC，或 USDT/USDC

6. 创建订单并等待部署

访问您的服务器

• 在以下位置查找连接详情： 我的订单

• Web 界面：使用 HTTP 端口的 URL

• SSH： ssh -p <port> root@<proxy-address>

什么是 Llama.cpp？

Llama.cpp 是用于 LLM 的最快的 CPU/GPU 推理引擎：

• 支持 GGUF 量化模型

• 低内存使用

• 兼容 OpenAI 的 API

• 支持多用户

量化等级

格式	大小（7B）	性能	质量
Q2_K	2.8GB	最快	低
Q4_K_M	4.1GB	快速	良好
Q5_K_M	4.8GB	中等	很棒
Q6_K	5.5GB	较慢	优秀
Q8_0	7.2GB	最慢	最佳

快速部署

Docker 镜像：

ghcr.io/ggerganov/llama.cpp:server-cuda

端口：

22/tcp
8080/http

命令：

# 下载模型
wget https://huggingface.co/bartowski/Meta-Llama-3.1-8B-Instruct-GGUF/resolve/main/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf

# 运行服务器
./llama-server \
    -m Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf \
    --host 0.0.0.0 \
    --port 8080 \
    -ngl 35 \
    -c 4096

访问您的服务

部署后，在以下位置查找您的 http_pub URL： 我的订单:

1. 前往 我的订单 页面

2. 单击您的订单

3. 查找 http_pub URL（例如， abc123.clorecloud.net)

使用 https://YOUR_HTTP_PUB_URL 而不是 localhost 在下面的示例中。

验证是否正常运行

# 检查健康状态
curl https://your-http-pub.clorecloud.net/health

# 获取服务器信息
curl https://your-http-pub.clorecloud.net/props

如果返回 HTTP 502，服务可能仍在启动或正在下载模型。等待 2-5 分钟后重试。

完整 API 参考

标准端点

端点	方法	4s
/health	GET	健康检查
/v1/models	GET	列出模型
/v1/chat/completions	POST	聊天（兼容 OpenAI）
/v1/completions	POST	文本补全（兼容 OpenAI）
/v1/embeddings	POST	生成嵌入
/completion	POST	原生补全端点
/tokenize	POST	对文本进行分词
/detokenize	POST	将标记还原为文本
/props	GET	服务器属性
/metrics	GET	Prometheus 指标

对文本分词

curl https://your-http-pub.clorecloud.net/tokenize \
    -H "Content-Type: application/json" \
    -d '{"content": "Hello world"}'

响应：

{"tokens": [15496, 1917]}

服务器属性

curl https://your-http-pub.clorecloud.net/props

响应：

{
  "total_slots": 1,
  "chat_template": "...",
  "default_generation_settings": {...}
}

从源码构建

# 克隆仓库
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp

# 使用 CUDA 构建
make LLAMA_CUDA=1

# 或使用 CMake
mkdir build && cd build
cmake .. -DLLAMA_CUDA=ON
cmake --build . --config Release

下载模型

# Llama 3.1 8B
wget https://huggingface.co/bartowski/Meta-Llama-3.1-8B-Instruct-GGUF/resolve/main/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf

# Mistral 7B
wget https://huggingface.co/bartowski/Mistral-7B-Instruct-v0.3-GGUF/resolve/main/Mistral-7B-Instruct-v0.3-Q4_K_M.gguf

# Mixtral 8x7B
wget https://huggingface.co/bartowski/Mixtral-8x7B-Instruct-v0.1-GGUF/resolve/main/Mixtral-8x7B-Instruct-v0.1-Q4_K_M.gguf

# Phi-2
wget https://huggingface.co/bartowski/Phi-4-GGUF/resolve/main/Phi-4-Q4_K_M.gguf

# CodeLlama 7B
wget https://huggingface.co/bartowski/CodeLlama-7B-Instruct-GGUF/resolve/main/CodeLlama-7B-Instruct-Q4_K_M.gguf

服务器选项

基础服务器

./llama-server \
    -m model.gguf \
    --host 0.0.0.0 \
    --port 8080

完全 GPU 卸载

./llama-server \
    -m model.gguf \
    --host 0.0.0.0 \
    --port 8080 \
    -ngl 99 \           # GPU 层数（99 = 全部）
    -c 4096 \           # 上下文大小
    -t 8 \              # CPU 线程数
    --parallel 4        # 并发请求数

全部选项

./llama-server \
    -m model.gguf \           # 模型文件
    --host 0.0.0.0 \          # 绑定地址
    --port 8080 \             # 端口
    -ngl 35 \                 # GPU 层数
    -c 4096 \                 # 上下文大小
    -t 8 \                    # 线程数
    -b 512 \                  # 批处理大小
    --parallel 4 \            # 并行请求
    --mlock \                 # 锁定内存
    --no-mmap \               # 禁用 mmap
    --cont-batching \         # 连续批处理
    --flash-attn \            # 使用 flash attention
    --metrics                 # 启用指标端点

API 使用

聊天补全（兼容 OpenAI）

import openai

client = openai.OpenAI(
    base_url="http://localhost:8080/v1",
    api_key="not-needed"
)

response = client.chat.completions.create(
    model="llama-3.1-8b",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "What is machine learning?"}
    ],
    temperature=0.7,
    max_tokens=500
)

print(response.choices[0].message.content)

流式传输

stream = client.chat.completions.create(
    model="llama-3.1-8b",
    messages=[{"role": "user", "content": "Write a story"}],
    stream=True
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

文本补全

response = client.completions.create(
    model="llama-3.1-8b",
    prompt="The future of AI is",
    max_tokens=100,
    temperature=0.8
)

print(response.choices[0].text)

嵌入

response = client.embeddings.create(
    model="llama-3.1-8b",
    input="Hello, world!"
)

print(f"Embedding: {response.data[0].embedding[:5]}...")

cURL 示例

对话

curl http://localhost:8080/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "llama-3.1-8b",
        "messages": [
            {"role": "user", "content": "Hello!"}
        ]
    }'

补全

curl http://localhost:8080/completion \
    -H "Content-Type: application/json" \
    -d '{
        "prompt": "Building a website requires",
        "n_predict": 128,
        "temperature": 0.7
    }'

健康检查

curl http://localhost:8080/health

指标

curl http://localhost:8080/metrics

多 GPU

# 在多个 GPU 间拆分
./llama-server \
    -m model.gguf \
    -ngl 99 \
    --tensor-split 0.5,0.5 \  # 在 2 个 GPU 之间拆分
    --main-gpu 0              # 主 GPU

内存优化

针对有限显存

# 部分卸载
./llama-server -m model.gguf -ngl 20 -c 2048

# 使用更小的量化

# 下载 Q2_K 或 Q3_K 而不是 Q4_K

为了获得最大速度

./llama-server \
    -m model.gguf \
    -ngl 99 \
    --flash-attn \
    --cont-batching \
    --parallel 8 \
    -b 1024

针对模型的模板

Llama 2 聊天

./llama-server -m Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf \
    --chat-template llama2

Mistral 指导式

./llama-server -m mistral-7b-instruct.gguf \
    --chat-template mistral

ChatML（多模型）

./llama-server -m model.gguf \
    --chat-template chatml

Python 服务器封装

import subprocess
import requests
import time

class LlamaCppServer:
    def __init__(self, model_path, port=8080, gpu_layers=35):
        self.port = port
        self.process = subprocess.Popen([
            "./llama-server",
            "-m", model_path,
            "--host", "0.0.0.0",
            "--port", str(port),
            "-ngl", str(gpu_layers),
            "-c", "4096"
        ])
        self._wait_for_ready()

    def _wait_for_ready(self, timeout=60):
        start = time.time()
        while time.time() - start < timeout:
            try:
                r = requests.get(f"http://localhost:{self.port}/health")
                if r.status_code == 200:
                    return
            except:
                pass
            time.sleep(1)
        raise TimeoutError("Server didn't start")

    def chat(self, messages, **kwargs):
        response = requests.post(
            f"http://localhost:{self.port}/v1/chat/completions",
            json={"messages": messages, **kwargs}
        )
        return response.json()

    def stop(self):
        self.process.terminate()

# 用法
server = LlamaCppServer("llama-3.1-8b.gguf")
result = server.chat([{"role": "user", "content": "Hello!"}])
print(result["choices"][0]["message"]["content"])
server.stop()

基准测试

# 内置基准测试
./llama-bench -m model.gguf -ngl 99

# 输出包含：

# - 每秒标记数

# - 内存使用

# - 加载时间

性能比较

A100	GPU	量化	每秒标记数
Llama 3.1 8B	速度	Q4_K_M	~100
Llama 3.1 8B	512x512	Q4_K_M	~150
Llama 3.1 8B	速度	Q4_K_M	~60
Mistral 7B	速度	Q4_K_M	~110
Mixtral 8x7B	2s	Q4_K_M	~50

# 使用固定种子以获得一致结果

检测不到 CUDA

# 使用 CUDA 重新构建
make clean
make LLAMA_CUDA=1

# 检查 CUDA
nvidia-smi

内存不足

# 减少 GPU 层数
-ngl 20  # 替代 99

# 减少上下文
-c 2048  # 替代 4096

# 使用更小的量化

# 使用 Q4_K_S 而不是 Q4_K_M

生成速度慢

# 增加批处理大小
-b 1024

# 启用 flash attention
--flash-attn

# 启用连续批处理
--cont-batching

生产环境设置

Systemd 服务

# /etc/systemd/system/llama.service
[Unit]
Description=Llama.cpp Server
After=network.target

[Service]
Type=simple
ExecStart=/opt/llama.cpp/llama-server -m /models/model.gguf -ngl 99 --host 0.0.0.0 --port 8080
Restart=always

[Install]
WantedBy=multi-user.target

与 nginx 一起

upstream llama {
    server localhost:8080;
}

server {
    listen 80;

    location / {
        proxy_pass http://llama;
        proxy_http_version 1.1;
        proxy_set_header Connection "";
    }
}

下载所有所需的检查点

检查文件完整性

GPU	验证 CUDA 兼容性	费用估算	CLORE.AI 市场的典型费率（截至 2024 年）：
按小时费率	~$0.03	~$0.70	~$0.12
速度	~$0.06	~$1.50	~$0.25
512x512	~$0.10	~$2.30	~$0.40
按日费率	~$0.17	~$4.00	~$0.70
4 小时会话	~$0.25	~$6.00	~$1.00

RTX 3060 CLORE.AI 市场 A100 40GB

A100 80GB

• 使用 竞价 价格随提供商和需求而异。请查看

• 以获取当前费率。 CLORE 节省费用：

• 市场用于灵活工作负载（通常便宜 30-50%）

使用以下方式支付

• vLLM 推理 - 更高吞吐量

• ExLlamaV2 - 更快的推理

• 文本生成 WebUI - Web 界面