文章目录
1. llama.cpp 简介
llama.cpp 是使用纯 C/C++ 实现的大语言模型（LLM）推理引擎，由保加利亚软件工程师 Georgi Gerganov 于 2023 年 3 月创建。最初是作为一个周末项目，目标是在 MacBook 上运行 Meta 的 LLaMA 模型，无需 Python、PyTorch 或 CUDA 依赖。如今，它已成为全球最受欢迎的本地 LLM 推理框架之一，截至 2026 年中，GitHub Stars 突破 11.7 万，拥有超过 700 位贡献者和近 2 万个 fork。
2026 年 2 月，Gerganov 与核心团队成员（Xuan-Son Nguyen、Aleksander Grygier）加入 Hugging Face 成为全职员工，llama.cpp 仓库也从 ggerganov/llama.cpp 迁移至 ggml-org/llama.cpp，但项目始终保持 100% 开源（MIT 许可证）和完全的技术自主权。llama.cpp 是 Ollama、LM Studio、GPT4All、LocalAI 等数十个知名本地 AI 工具的底层推理引擎，生态影响力极其广泛。
llama.cpp 的核心目标是以最低的设置成本在各种硬件上实现最先进的 LLM 推理性能——无论是在本地还是在云端。其核心特色包括：
- 零依赖：纯 C/C++ 实现，无需 Python、PyTorch 等环境，下载即可运行
- 广泛硬件支持：Apple Silicon（ARM NEON、Accelerate、Metal）、NVIDIA GPU（CUDA）、AMD GPU（HIP）、Intel GPU（SYCL、OpenVINO）、Vulkan、WebGPU 等
- 灵活量化：支持 1.5 位至 8 位整数量化，显著降低内存占用和提升推理速度
- CPU+GPU 混合推理
- OpenAI API 兼容服务：通过
llama-server 一键启动与 OpenAI API 兼容的 HTTP 服务 - 庞大模型生态：支持 LLaMA、Mistral、Qwen、Deepseek、Gemma、Phi 等近百种模型架构的 GGUF 格式
2. b10068 版本亮点
llama.cpp 采用持续构建（build number）版本号体系，b10068 发布于 2026-07-18，主要包含以下更新：
- DFlash 注入 K/V 缓存旋转：修复了在使用 K/V 量化时，DFlash 注意力机制中注入的 K/V 缓存需要旋转的问题，提升了量化场景下的推理正确性。
本整合包选用 llama-b10068-bin-win-cuda-12.4-x64.zip，适用于 Windows x64 系统，使用 NVIDIA CUDA 12.4 后端进行 GPU 加速推理。
环境要求：需安装 NVIDIA CUDA Toolkit 12.4 或更新版本，并配备支持 CUDA 的 NVIDIA 显卡（计算能力 ≥ 5.0，推荐 GTX 10 系列及以上）。若未安装 CUDA 或使用非 NVIDIA 显卡，请改用 CPU 版本或 Vulkan 版本。
3. 获取安装包
如果访问 GitHub 不便，安装包及中文文档：https://hanshuixin.org/go/223T（内含 llama-b10068-bin-win-cuda-12.4-x64.zip、README 中英对照、发布说明中英对照和 LICENSE）。
Windows安装llama.cpp-b10068（llama-b10068-bin-win-cuda-12.4-x64）.zip├── llama-b10068-bin-win-cuda-12.4-x64.zip ← 官方预编译包（解压后为各工具 .exe）├── Windows安装llama.cpp-b10068（llama-b10068-bin-win-cuda-12.4-x64）.pdf├── README/│ ├── README.md│ └── README-中文版.md├── 发布说明/│ ├── RELEASE-NOTES.md│ └── RELEASE-NOTES-中文版.md└── LICENSE
适用显卡：本整合包内为 CUDA 版本，仅适用于 NVIDIA 显卡（GTX 10 系列及以上，计算能力 ≥ 5.0）。若您使用 AMD 显卡，请选用 HIP（Radeon）版本；若使用 Intel 显卡，请选用 SYCL 或 OpenVINO 版本；若无独立显卡或使用其他品牌，请选用 CPU 或 Vulkan 版本。
4. 快速开始
将整合包根目录中的 llama-b10068-bin-win-cuda-12.4-x64.zip 解压到任意目录，即可得到以下命令行工具：
| |
|---|
llama-cli.exe | |
llama-server.exe | |
llama-perplexity.exe | |
llama-bench.exe | |
llama-simple.exe | |
解压后，打开命令提示符（cmd）或 PowerShell，进入解压目录，执行以下常用命令：
# 使用本地 GGUF 模型文件进行对话llama-cli -m my_model.gguf# 直接从 Hugging Face 下载并运行模型llama-cli -hf ggml-org/gemma-3-1b-it-GGUF# 启动 OpenAI 兼容 API 服务（默认端口 8080）llama-server -m my_model.gguf --port 8080# 启动服务并支持多用户并行请求llama-server -m my_model.gguf -c 16384 -np 4# 使用推测解码加速推理llama-server -m model.gguf -md draft.gguf# 运行性能基准测试llama-bench -m my_model.gguf# 使用自定义语法约束 JSON 输出llama-cli -m my_model.gguf -n 256 --grammar-file grammars/json.gbnf
提示：模型文件（.gguf 格式）可从 Hugging Face GGUF 模型库 获取。也可通过 -hf 参数直接从 Hugging Face 下载。
