Tags
第 32 頁
本地大模型
Qwen3.6-35B-A3B 越獄版本地部署：無審查 GGUF、llama.cpp 與安全邊界
RTX 3070 8GB 本地運行 Qwen3.6-35B：llama.cpp 部署要點與最佳化參數
llama.cpp b9196 更新：Windows 預編譯版支援 CUDA 13.1、Vulkan、HIP 和 SYCL
Claude Code + Ollama 本地部署教學：用 CC Switch 打造免費 AI 編程助手
本地執行 DeepSeek 4：Antirez ds4 在 Apple Silicon Mac 上的嘗試
llama.cpp 多 GPU 性能實測思路：2x V100 16GB 會比單卡 32GB 快嗎？
RTX 5090 / 5080 AI 推理效能實測：本地大模型、4K 影片生成和即時 3D 怎麼選
DeepSeek V4 本地私有化部署方案：國產晶片與消費級顯卡叢集怎麼選
適合 RTX 3060 顯卡運行的本地 LLM 模型推薦
Hermes + Qwen3.6：本地 Agent 的一套低成本部署方案
NVIDIA 發布 Nemotron 3 Nano Omni：面向智慧體的開放全模態推理模型
本地部署 Qwen3.6：27B 與 35B-A3B 各量化版本需要多少顯存
本地部署 DeepSeek V4：Pro、Flash 與 Base 版本顯存占用估算表
本地部署 Gemma 4：E2B、E4B、26B、31B 各量化版本需要多少顯存
8G 顯存跑 llama.cpp 怎麼調：32K 更穩，64K 要開 KV Cache 量化
16G 顯卡也能跑 35B 模型：LM Studio 下 MoE 模型的顯存壓縮思路
Ollama 多顯卡使用筆記：顯存疊加、GPU 選擇和常見誤區
Gemma 4 E4B 越獄版和官方普通版有什麼差別
llama-quantize 怎麼用：GGUF 模型量化入門
llama.cpp 如何從 Hugging Face 取得 GGUF 模型
Gemma-4-31B-it 裡的 it 是什麼意思
Hugging Face 選擇 Llama 的 GGUF 模型時，量化怎麼選：從 Q8 到 Q2 的實用建議
Windows 區域網存取 Ollama API 設定指南
Gemma 4 本地調用指南：從一鍵啟動到開發整合
Ollama 雲模型是什麼，怎麼用
從 Hugging Face 下載 GGUF 模型並匯入 Ollama
Ollama 下載模型 pull 速度很慢的排查與解決辦法
樹莓派 5 跑 Gemma 4 實測：可行，但回應較慢
OpenClaw 對接本地 Gemma 4：完整配置指南
如何在筆記型電腦上運行 Gemma 4：5 分鐘本地部署指南
Android 上安裝並運行 Gemma 4：完整上手指南
Google Gemma 4 模型對比：2B/4B/26B/31B 怎麼選？