Ollama 一行命令拉 Ornith 1.5先看完这份六框架选型指南再动手【免费下载链接】Ornith-1.5-35B-A3B-GGUF项目地址: https://ai.gitcode.com/hf_mirrors/ornith-ai/Ornith-1.5-35B-A3B-GGUFollama run hf.co/ornith-ai/Ornith-1.5-35B-A3B-GGUF一行命令就能把 Ornith-1.5 拉进本地。这条命令在官方 README 里被写在Agentic Usage第一节看起来人畜无害——但真到动手那一刻你会发现真正的问题从来不在拉不下来而在拉下来之后用什么跑、跑在什么硬件上、跑成什么样。Ornith-1.5-35B-A3B 是一个总参数 35B、每 token 只激活约 3B 参数的混合专家MoE模型官方宣称其编码与 Agentic 基准全面超越同规模的 Qwen3.6-35B-A3B并在多项任务上追平甚至超过稠密模型 Gemma-4-31B 和 Muse-Glimmer-30B。它身上叠了两层便宜大碗的叙事MoE 的激活参数少推理快量化版体积小显存门槛低。这也是抖音、头条上35B 总参数推理只激活 3B小显存部署大模型新答案等讨论的源头。但便宜和快都是有前提的。本文结合社区实测六框架对比、16G 显存实战、5090 部署与本仓库实际产物把选型这件事一次性讲透。一行命令的背后这是一头怎样的鸟在讨论框架之前先明确你手里攥着的是什么。本仓库 README.md 明确定义了 Ornith-1.5-35B-A3B 的三个关键事实它是推理模型默认回复以think.../think思维链开场服务端需要配置 reasoning parser 才能把思维过程单独剥离到reasoning_content字段同时它原生输出tool_call块需要 tool-call parser 解析成 OpenAI 风格的tool_calls。这意味着——不是所有框架开箱即用你的框架必须认识Qwen 系对话模板。它是端到端自我改进训练的产品Ornith-1.5 在 Ornith-1.0 基础上把自我改进循环从脚手架与 rollout 优化扩展为任务生成、脚手架构建、解决方案 rollout 三路联合优化模型在训练中自己出题、自己找解题策略、再用强化学习改进策略。这也解释了它为何在 Agentic 编码基准上大幅领先——这是训练方式决定的不是调参调出来的。它的原生形态是 bf16约 70GB官方服务配方默认跑在 2×80GB GPU 上给 256K 上下文留余量。仓库里的产物链条很清晰除 BF16 原版外还提供 Q4_K_M、Q5_K_M、Q6_K、Q8_0 四个量化档位外加一个mmproj-Ornith-1.5-35B-BF16.gguf多模态投影权重llama.cpp 生态里用于图文理解。这五个 GGUF 文件就是接下来所有选型讨论的物理基础。六大框架适用场景速览社区对 Ornith-1.5 系列部署的主流讨论聚焦在 vLLM、SGLang、TensorRT-LLM、TGI、llama.cpp 与 Ollama 六个框架上。其中前四个是 GPU 服务化推理后两个走 GGUF 本地路线。把官方证据README 的 Serving 章节与社区实测对照后可以给出如下定位框架核心定位官方支持一句话适用场景vLLM高吞吐生产推理✅ README 提供完整启动命令服务化部署、并发请求、多卡张量并行、256K 长上下文SGLang高并发 前缀缓存✅ README 提供完整启动命令长上下文、多轮对话、工具调用密集的 Agent 场景TensorRT-LLMNVIDIA 深度优化❌ 未在 README 出现纯 NVIDIA 生产环境追求极致低延迟与吞吐TGIHugging Face 生态部署❌ 未在 README 出现深度依赖 HF 工具链的企业团队llama.cppCPU/消费级 GPU/Apple Silicon✅ README 提供llama-server命令GGUF 直跑、显存不够、异构卸载、本地 llama-serverOllama个人开发零门槛✅ README 提供ollama run命令快速体验、笔记本、Apple Silicon注意一个细节README 的 Agentic 章节同时给了llama-server -hf ornith-ai/Ornith-1.5-35B-A3B-GGUF与ollama run hf.co/...-GGUF两条 GGUF 路线说明官方对小机器跑大 MoE这件事的态度是认真的——GGUF 路线不是妥协方案而是被官方写进文档的一等公民。量化格式兼容矩阵GGUF / AWQ / GPTQ 谁跟谁是一家人选型最容易被一行命令带偏的点是量化格式。三个常见词——GGUF、AWQ、GPTQ——对应完全不同的运行时生态混用即 404量化格式典型载体主要运行时特点GGUF本仓库五档文件llama.cpp、Ollama、Atomic.chat基于 llama.cppCPU/GPU 异构加载、可部分卸载到内存消费级硬件友好AWQHF 权重 量化器vLLM、SGLang、TGI面向 GPU 推理的 4-bit 感知量化激活感知权重缩放GPTQHF 权重 量化器vLLM、SGLang、TGI早期主流经典 GPU 4-bit 方案逐层误差校正映射关系很直接GGUF 属于 llama.cpp 系AWQ/GPTQ 属于 vLLM 系。Ollama 底层就是 llama.cpp所以它只吃 GGUFvLLM/SGLang 虽然也能加载部分 GGUF通过 GGUF loader但社区对比文章里给出的主流做法是给 vLLM 系列用原版权重配合 AWQ/GPTQ 量化。也就是说你决定用哪个框架基本就等于决定了模型该下载成哪个格式——本仓库是 GGUF 镜像若走 vLLM 高吞吐路线需要回到 HF 原版仓库另取 bf16 权重或 AWQ/GPTQ 量化版这个步骤省不掉。对 GGUF 内部档位的选择则纯粹是显存与精度的天平。按 35B 权重规模估算BF16 约 70GBQ8_0 落在 37GB 量级Q6_K 约 28GBQ5_K_M 约 24GBQ4_K_M 约 20GB 出头——估算值仅供参考实际以加载时 llama.cpp 打印的 tensor 信息为准。需要提醒的是MoE 的激活 3B只决定计算量权重总量该多大还是多大量化省的是驻留显存不是推理功耗。按显卡与场景给出选型建议把框架、格式和硬件三条线拧在一起社区实测16G 显存对比、5090 FP16/Q8 实操与本仓库产物能支撑如下决策逻辑场景 AApple Silicon 笔记本 / 16GB 内存 Mac。ollama run或llama-server直接上 Q4_K_M靠 Metal 加速 GGUF 的 CPU/GPU 异构加载把 20GB 权重挤进 16GB 统一内存。这是一行命令叙事真正成立的地方——但请把预期调低MoE 激活 3B 在 Mac 上只保证能跑不保证飞快。场景 B16GB 显存消费级显卡如 RTX 4080。社区实测表明 Q4_K_M 是 16GB 下的最佳平衡点模型约 13.2GB 显存占用、推理速度约 18.2 tokens/s对比同环境 Qwen 35B 的 16.8 tokens/s4-bit 量化对 Ornith 的代码生成与推理速度有可见加成。注意实测用的是 vLLM 路线说明 16G 显存用户其实有两条路llama.cpp Q4_K_M简单或 vLLM AWQ 4bit高吞吐但要处理依赖与显存水位。场景 C24GB 单卡RTX 4090。可以上 Q6_K 或 Q8_0精度余量更足若要跑 256K 长上下文KV Cache 会吃满剩余显存需配合--gpu-memory-utilization控制。场景 D32GB 高端卡如 RTX 5090。社区已给出 FP16 与 Q8 两档实操FP16 直跑原版权重拿满精度Q8_0 换取显存余量。这类机器上 Ollama 反而成为瓶颈——请直接切 vLLM/SGLang 拿并发与吞吐。场景 E多卡服务器2×80GB官方默认配方。README 的 vLLM/SGLang 命令均以--tensor-parallel-size 2/--tp 2起步BF16 全量加载 256K 上下文这是跑满官方 benchmark 数值SWE-bench Verified 79、Terminal-Bench 2.1 67.8、GPQA Diamond 89.2的硬件前提。若需求超过 256KREADME 提供 YaRN 方案factor4.0可把有效窗口扩展到约 1M token但官方明确提示静态缩放会影响普通长度请求的质量非必要不开启。场景 F企业 GPU 集群。TensorRT-LLM 与 TGI 不在官方 README 中属于社区对比中提及的工程化路线适合已有相应基础设施、追求极限延迟或深度绑定 HF 生态的团队代价是需要自行完成权重格式转换与算子适配。一句话总结选型个人与笔记本走 Ollama/llama.cpp GGUFQ4_K_M 起消费级 GPU 走 Q5/Q6 平衡档有服务化需求立刻切 vLLM/SGLang 原版/AWQ多卡才谈 BF16 全量。实战Ollama 一行命令与它的含金量最后把三套官方命令摆在一起对照着看选型才算闭环。Ollama个人快速体验——README 原样给出的命令ollama run hf.co/ornith-ai/Ornith-1.5-35B-A3B-GGUFllama.cpp本地 OpenAI 兼容服务——需要显式给足上下文窗口llama-server -hf ornith-ai/Ornith-1.5-35B-A3B-GGUF --port 8000 -c 262144vLLM生产服务化——注意 reasoning 与 tool 两个 parser 是推理模型能否正确工作的关键vllm serve ornith-ai/Ornith-1.5-35B-A3B \ --served-model-name Ornith-1.5-35B-A3B \ --host 0.0.0.0 --port 8000 \ --tensor-parallel-size 2 \ --max-model-len 262144 \ --gpu-memory-utilization 0.90 \ --enable-prefix-caching \ --enable-auto-tool-choice --tool-call-parser qwen3_xml \ --reasoning-parser qwen3 \ --trust-remote-code三者的差别就是本文的结论Ollama 一行命令背后是 llama.cpp它替你选了 GGUF、选了本地、选了个人场景当你要的是吞吐、并发、256K 长上下文和 Agent 工具调用流水线答案自动滑向 vLLM/SGLang代价是多装几个运行时、多配一套参数。还有一个 README 明确给出的采样基线值得抄进配置通用任务temperature0.6, top_p0.95, top_k20要复现官方 benchmark 数据则需temperature1.0。至于ollama run那条命令本身——它没骗你真的能跑但跑之前先把这份选型看完你才知道自己该在哪个档位的 GGUF 上按回车。【免费下载链接】Ornith-1.5-35B-A3B-GGUF项目地址: https://ai.gitcode.com/hf_mirrors/ornith-ai/Ornith-1.5-35B-A3B-GGUF创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考