一、测试环境与目的
测试机为 Windows 11 家庭中文版，AMD64 架构，显卡 NVIDIA GeForce GTX 1650（4GB 显存，无 Tensor Core），内存 16GB，NVIDIA 驱动 610.74，支持 CUDA 13.3。测试目的是验证本地模型能力或智力，在内网环境下如何调用本地模型解决问题，能否能支撑 aardio autos 、 workbuddy 等等这类 agent 工具工作。
二、选型
选择工具：llama.cpp。因为其开源，且占用内存较低。选择模型：先说主观原因。由于工作关系，经常用AI辅助完成项目策划工作，众多模型中，主观觉得Qwen系列的智商较高。再说客观原因，由于电脑硬件限制，4GB 显存已经把可选范围压得很窄。Qwen3-30B-A3B 虽然激活参数只有 3B，但 Q4_K_M 文件体积达 18.63GB，超出整机内存（电脑 16G内存，但运行起win11后，只剩下12G左右），直接排除。Gemma-4-26B-A4B 约 15GB，Windows 自身还要占 3-4GB，有 OOM 风险。gpt-oss-20B 约 12.2GB 理论上能装，但要手动调专家卸载参数，内存余量所剩无几。最终选定 Qwen3-8B-Q4_K_M，文件 4.68GB。这是本机在 Dense 架构下能兼顾速度与能力的上限。同体积的 Gemma-4-E2B（2.6-3GB）作为备选，胜在支持图片与音频输入。
三、部署过程
整个过程交给 agent，如workbuddy、千问的工作模式等。包括环境检测、版本选择、下载、校验、解压、参数调优和端到端验证。现在让智能体完成此类制作，还是很简单的，这里不赘述，有需要帮助的建议自己动手跟AI对话，或baidu一下，都能解决。国内网络，从GitHub下载时很多时候会超时，可以让智能体切换到其它国内镜像。llama.cpp 0.4.0（build 10809）CUDA 13.3 版主程序和 Qwen3-8B模型下载、安装后，agent自动根据电脑配置进行了参数调优。
安装后的部分文件列表.bat文件是AI自动创建的，在命令行与AI对话，可双击聊天.bat。效果如下：
如想用于网页对话（类似于deekseep）或连接智能体，可双击服务.bat。运行后效果如下：
四、测试过程
（一）先进行基本的网页对话测试。
简单的对话回答中规中矩，下面增加点难度，看看几个月之前让众多模型都翻车的【洗车难题】回答的如何？
测试了几轮，虽然都让开车去，但都没有明确说“洗车一定要开车”的常识，甚至有些回答已经开始自相矛盾了，如“开车去更方便，因为虽然距离很近，但洗车店可能有停车费或者需要等待时间。”方便的原因，它认为是可能有停车费或需要等待时间。。。正常人难以理解的回答。让我们看看Qwen3.8-Max回答如何：
下面是Hy4的回答：
下面是Deepseek V4.1的回答：
下面是GLM-5.3的回答：
通过以上对比，可以看出，本地部署的小模型与云端旗舰模型有代差。我们在本地部署的Qwen-8B模型，和我们日常使用的云端旗舰模型相比，相当于幼儿园和大学生的智商（判断力）差距所以，如果不是内网环境不得不用的情况下，还是推荐使用云部署的大模型，现在还有很多是能免费用的。本地部署的小模型使用价值真的不大。如果非要本地部署，也得花点钱投资一下显卡或内存，部署个容量大些的模型才好。
（二）再来测试一下接入智能体后的应用情况
测试使用的是Workbuddy。配置如下：
配置后，选择自己的模型，跟它对话，直接报错了。
我们看一下后台日志：
注意日志中红字部分，本次请求17218tokens，但模型只支持4096tokens。这还是把Workbuddy中的工具调用、图片输入等功能全关掉的情况。如果打开，最少要3万tokens。我测试过，类似这台配置的电脑，最多只能支持16000左右的tokens，所以在类似配置的电脑上部署的小模型，目前无法支撑起Workbuddy等智能体的正常运行。测试aardio autos也是同样的结果，aardio autos每次需要6万多的tokens，也不能正常使用。
五、结论
想自己本地部署AI的朋友们，可以自己动手尝试，想跑通并不难。在普通电脑上部署的小模型，网页对话、离线问答、写作翻译这类简单的短交互场景可以正常使用，但也要人工验证AI回答的是否准确，因为小模型判断力很低。对涉及敏感信息的场景，本地部署反而是更安全的选择——数据不出机器，不存在云端泄露的问题。用于 agent 工作负载不可行，原因有二。其一是上下文容量，agent 请求量普遍在 3 万至 6 万 tokens，既超出本机 4GB 显存能支撑的范围，也超出模型 32768 的原生上限，且即便强行调大参数，等待时间也长到无法接受。其二是模型判断力，8B 量级在多条件权衡类任务上表现不稳，难以支撑需要可靠推理的自动化流程。这两点都源于硬件规模，无法通过参数调整解决。4GB 显存决定了本地只能跑 8B 级别的 Dense 模型，而 MoE 架构虽然能绕开显存墙，文件体积却又超出 16GB 内存。若确实需要本地运行 agent，硬件上至少要有 24GB 显存，才能装下 30B-A3B 这类 MoE 模型并留出足够的 KV Cache 空间。#大模型 #本地部署 #实测记录