推测解码 A/B:动手前要问的问题

「推测解码 A/B」的背景

质量门。软件是本地 AI 栈里变化最快的部分。上个月还好好的配置,可能因为驱动更新、运行时升级或模型打包方式变化而出问题。一份简短的书面流程能让这些变化变得平淡无奇。

最小流程

  1. 改动前记下操作系统、显卡驱动、运行时版本和模型文件。
  2. 只做一项改动:新运行时、新量化、新上下文长度或新模型。
  3. 用同一组十到二十个提示词测试,语言要和用户实际使用的一致。
  4. 把回答和资源占用与上一次对比。
  5. 保留或回滚,并写下决定和日期。

安装方式的选择

单机上原生安装最简单,也能避开显卡直通的麻烦。多个服务共用一台主机或需要可复现部署时,容器更合适;模型用挂载卷,不要把几十 GB 的权重打进镜像。Windows 上 WSL2 很好用,但虚拟磁盘会悄悄变大,要盯住剩余空间。macOS 上先决定用 llama.cpp 还是 MLX,并保持目录结构整洁。

值得写进文档的设置

  • 团队默认温度和系统提示词,例外要写理由。
  • 每个模型的上下文长度和并行槽位数。
  • 启用了哪些功能:工具调用、推测解码、图像输入。
  • 日志存在哪里、保留多久。

出问题时

收集完整的报错文本、触发它的命令或界面操作,以及当时的资源占用。很多报告最后发现是内存不足、提示词模板不对或文件没下完整。发帖前先搜共享的故障维基,找到解决办法后补进去。

新机器检查清单

  • 先装显卡驱动,确认系统能识别显卡。
  • 只装一个运行时,并确认它能调用显卡。
  • 拉一个小模型,跑一个短提示词,记下内存占用。
  • 把模型目录放到剩余空间充足的硬盘上并更新路径。
  • 第一个模型稳定之后再加第二个。
  • 趁记忆还新,把操作步骤写进共享文档。

按这个顺序,问题很容易定位。一次装好几个工具和模型,就很难判断是哪项改动导致了故障。

想了解更多,可以看看本地 AI 教程中心和Windows 上 Dify + Ollama。

速记要点

  • 每次变更都写上日期和负责人。
  • 演练恢复,而不只是做备份。
  • 公布助手会拒绝做的事。
  • 每次请求都记录模型名称和版本。

作者:本地AI 1号网,深圳团队,专注本地大模型软硬件、装机与私有化部署。