最近我在折腾本地大模型时最大的痛点不是“模型不够强”而是“到底该装哪个模型”。很多人看到参数量就冲结果下载完才发现显存爆了、速度慢了、CPU 直接顶满最后只能删掉重来。whichllm这个项目正好解决了这个问题它会自动识别你的硬件然后根据真实基准和运行条件给出最适合你机器的本地模型推荐。这个项目到底解决什么问题whichllm是一个 Python CLI 工具核心能力就一句话找出“能跑”且“跑得好”的本地 LLM而不是只看模型有多大。它会读取 GPU、CPU、RAM、磁盘等信息再结合 HuggingFace 模型数据和多个 benchmark 来源做综合排序。这比传统的“显存够不够”判断方式实用太多了。因为本地部署真正麻烦的地方不是“模型能不能放下”而是“放下之后速度行不行、体验稳不稳、是不是得大规模 CPU offload”。为什么我觉得它很适合本地党这个项目最有价值的地方是它把“选模型”从玄学变成了工程问题。它不是简单按参数量排序而是把多个 benchmark 融合进来再结合量化、offload、速度门槛和可信度做评分。换句话说它考虑的不只是“能不能装下”还考虑了“装下以后是不是值得跑”。这对我们这种经常测试模型、写教程、做 benchmark 的人来说效率提升非常明显。我本机实测结果我在自己的 Windows 机器上跑了一遍硬件识别结果如下GPU 0NVIDIA GeForce RTX 5070 Ti15.9 GB 显存。CPUAMD Ryzen 7 7800X3D8 核。RAM63.1 GB。磁盘可用空间88.3 GB。whichllm hardware能直接把这些信息整理成漂亮的终端表格输出属于“一眼就知道自己机器什么水平”的那种工具。然后我执行了uv run whichllm --top 10得到的前几名推荐非常有参考价值。排名第一的是google/gemma-4-26B-A4B-it量化为Q3_K_M显示为 Full GPU估算速度达到 154.3 tok/s得分 77.6。紧随其后的是Qwen/Qwen3.6-27B、openai/gpt-oss-20b、Qwen/Qwen3-14B、microsoft/phi-4等模型。对我这张 16GB 显存卡来说最实用的结论其实很清晰Qwen/Qwen3-14B Q5_K_M这种组合非常稳显存压力合理中文体验也更友好。小白也能照着走的通用流程如果你是第一次接触本地模型我建议直接按下面这套流程来不要上来就到处搜“最强模型”。第一步先装 whichllm项目支持通过uv、PyPI、Homebrew 等方式安装定位就是一个 Python CLI 工具 。如果你本地已经装好了 Python 环境最省心的方式通常还是直接按项目说明用uv跑。如果你是从 GitHub 克隆源码到本地流程就是git clone https://github.com/Andyyyy64/whichllmcd whichllmuv sync这里的重点不是安装姿势而是你装完以后后面所有判断都能自动化完成不需要自己去查显卡表、量化表和排行榜。第二步先看硬件不要先看模型装好之后第一条建议执行的命令不是推荐模型而是先看机器体检结果uv run whichllm hardware这个命令会自动识别你的 GPU、显存、CPU、内存和磁盘情况本质上是在告诉你你的本地部署上限大概在哪。whichllm的核心设计就是先识别硬件再去匹配模型而不是反过来 。这一步非常适合小白。因为很多人其实连自己的“真实可用显存”和“硬件瓶颈”都没概念更别说判断 14B、27B、70B 哪个适合自己了。第三步直接看推荐列表uv run whichllm --top 10这个命令会给出一组排序后的模型推荐通常会包含模型名、量化方式、是否能完整进入显卡、预计速度、发布时间和综合分数。项目介绍里明确提到它会把真实 benchmark、量化惩罚、证据可信度、速度估算等因素一起纳入排序而不是只做“能不能装下”的判断 。app.daily1你看到推荐结果后不需要一眼看懂所有细节只要先抓住三个关键词Full GPU优先级最高代表模型可以完整放进显卡体验通常更稳定。Partial说明有一部分要 offload 到内存或 CPU理论上能跑但速度和稳定性可能会下降。Quant量化方式决定了显存占用和性能平衡小白阶段不用研究太深先按推荐用就够了。第四步优先选“稳”的不要一上来追最大模型这是最容易踩坑的一步。很多新手看到排名靠前的大模型就想直接冲但实际上更合理的做法是先选 Full GPU、速度可用、显存有余量的模型。项目文档和介绍都在强调它不仅考虑 fit还考虑 speed 和实际可用性 。所以对普通用户来说更稳妥的思路是先用这条命令uv run whichllm --gpu-only --speed usable --vram-headroom 1GB --top 10这条命令的意义很适合写给小白不是挑“理论上最强”而是挑“你电脑今天就能舒服跑起来”的模型。如果你是第一次部署本地大模型这一步比追排行榜重要得多。第五步按用途继续筛选当你已经知道自己机器能跑哪些模型之后再根据用途细分会更高效。项目支持按不同场景过滤比如 coding 场景就可以这样查 uv run whichllm --profile coding --gpu-only --speed usable --top 10也就是说whichllm不只是回答“能跑什么”还在尝试回答“你现在这台机器做这类任务更适合什么。”这对写代码、做问答、做 RAG、做本地助手的人都很有价值因为不同用途真正需要的模型并不完全一样。第六步想查单个模型直接反查有时候你不是想看推荐列表而是已经心里有个目标模型比如你想知道某个 Qwen、Gemma、Llama 模型到底适不适合自己机器。uv run whichllm plan Qwen3-14B项目介绍里也提到plan这类能力本质上是在做反向查询不是“我该跑什么”而是“我想跑这个需要什么硬件” 。这对准备升级显卡、或者计划买新机器的人尤其有用。适合谁用这个工具特别适合三类人本地大模型玩家想知道自己机器到底该跑什么。做教程、做评测的人需要快速给不同硬件找推荐模型。想买新显卡的人可以先模拟目标 GPU 能跑哪些模型。如果你平时就在做 RAG、OCR、LLM 应用开发这个工具更像是一个“模型选型前的体检仪”。它不能替你决定业务方案但能帮你在本地部署前少踩很多坑。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】