使用 Ollama 運(yùn)行本地 deepseek 模型

ollama 的官網(wǎng)词疼，https://ollama.com/download/linux 葱轩，執(zhí)行 curl -fsSL https://ollama.com/install.sh | sh 安裝 ollama 工具

root@gpu-01:~# curl -fsSL https://ollama.com/install.sh | sh
>>> Installing ollama to /usr/local
>>> Downloading Linux amd64 bundle
######################################################################## 100.0%
>>> Creating ollama user...
>>> Adding ollama user to render group...
>>> Adding ollama user to video group...
>>> Adding current user to ollama group...
>>> Creating ollama systemd service...
>>> Enabling and starting ollama service...
Created symlink /etc/systemd/system/default.target.wants/ollama.service → /etc/systemd/system/ollama.service.
>>> NVIDIA GPU installed.
root@gpu-01:~# systemctl status ollama.service 
● ollama.service - Ollama Service
     Loaded: loaded (/etc/systemd/system/ollama.service; enabled; vendor preset: enabled)
     Active: active (running) since Thu 2025-02-20 17:28:09 CST; 42s ago
   Main PID: 2587049 (ollama)
      Tasks: 16 (limit: 629145)
     Memory: 30.3M
        CPU: 1.187s
     CGroup: /system.slice/ollama.service
             └─2587049 /usr/local/bin/ollama serve

Feb 20 17:28:09 gpu-01 ollama[2587049]: time=2025-02-20T17:28:09.479+08:00 level=INFO source=routes.go:1237 msg="Listening on 127.0.0.1:11434 (version 0.5.11)"
Feb 20 17:28:09 gpu-01 ollama[2587049]: time=2025-02-20T17:28:09.480+08:00 level=INFO source=gpu.go:217 msg="looking for compatible GPUs"
Feb 20 17:28:10 gpu-01 ollama[2587049]: time=2025-02-20T17:28:10.639+08:00 level=INFO source=types.go:130 msg="inference compute" id=GPU-a6c24381-350f-1bbf-ddcb-73134a32f102 library=cuda variant=v12 compute=8.9 driver=12.4 name>
Feb 20 17:28:10 gpu-01 ollama[2587049]: time=2025-02-20T17:28:10.639+08:00 level=INFO source=types.go:130 msg="inference compute" id=GPU-b8d55e89-ad1f-174f-e0b1-3a1f8f2de308 library=cuda variant=v12 compute=8.9 driver=12.4 name>
Feb 20 17:28:10 gpu-01 ollama[2587049]: time=2025-02-20T17:28:10.639+08:00 level=INFO source=types.go:130 msg="inference compute" id=GPU-d379c82c-0587-adde-abde-457b161eea9a library=cuda variant=v12 compute=8.9 driver=12.4 name>
Feb 20 17:28:10 gpu-01 ollama[2587049]: time=2025-02-20T17:28:10.639+08:00 level=INFO source=types.go:130 msg="inference compute" id=GPU-300527ee-a553-e108-8f70-7255143c77e8 library=cuda variant=v12 compute=8.9 driver=12.4 name>
Feb 20 17:28:10 gpu-01 ollama[2587049]: time=2025-02-20T17:28:10.639+08:00 level=INFO source=types.go:130 msg="inference compute" id=GPU-f0eef8c7-621a-6bbf-39d3-9258c5653ddb library=cuda variant=v12 compute=8.9 driver=12.4 name>
Feb 20 17:28:10 gpu-01 ollama[2587049]: time=2025-02-20T17:28:10.639+08:00 level=INFO source=types.go:130 msg="inference compute" id=GPU-604933dd-5b25-190e-3e3a-1371d6f0b745 library=cuda variant=v12 compute=8.9 driver=12.4 name>
Feb 20 17:28:10 gpu-01 ollama[2587049]: time=2025-02-20T17:28:10.639+08:00 level=INFO source=types.go:130 msg="inference compute" id=GPU-e76e16fd-2ced-a768-1371-8203afd42b36 library=cuda variant=v12 compute=8.9 driver=12.4 name>
Feb 20 17:28:10 gpu-01 ollama[2587049]: time=2025-02-20T17:28:10.639+08:00 level=INFO source=types.go:130 msg="inference compute" id=GPU-0b6b5e0c-994d-1d6a-378c-ef015bf9029d library=cuda variant=v12 compute=8.9 driver=12.4 name>
root@gpu-01:~# ollama -v
ollama version is 0.5.11

更改模型默認(rèn)存放路徑到其他目錄

root@gpu-01:~# systemctl stop ollama.service 
root@gpu-01:~# cd /usr/local/share/
root@gpu-01:/usr/share# mv ollama/ /nvme1/
root@gpu-01:/usr/share# ln -s /nvme1/ollama/ .
root@gpu-01:~# systemctl start ollama.service

下載運(yùn)行模型

root@gpu-01:~# ollama run llama3.3
pulling manifest 
pulling 4824460d29f2... 100% ??????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????  42 GB                         
pulling 948af2743fc7... 100% ?????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 1.5 KB                         
pulling bc371a43ce90... 100% ?????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 7.6 KB                         
pulling 53a87df39647... 100% ?????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 5.6 KB                         
pulling 56bb8bd477a5... 100% ??????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????   96 B                         
pulling c7091aa45e9b... 100% ??????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????  562 B                         
verifying sha256 digest 
writing manifest 
success 
>>> 你好
很高興見到你裳瘪！今天我能為您做什么？

>>> 模型推理有哪些工具生真？
模型推理是一個(gè)用于分析和解釋機(jī)器學(xué)習(xí)（ML）模型的過程铣除。以下是一些流行的工具：

1. **LIME（局部可解釋模型-agnostic解釋）**：一個(gè)開源庫(kù)闹丐，用于生成可解釋的模型阱高，以幫助理解預(yù)測(cè)赚导。
2. **SHAP（SHapley 加值解釋）**：另一個(gè)開源庫(kù)，它將每個(gè)特征對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)分配給一個(gè)值赤惊，稱為SHAP值吼旧。
3. **TreeExplainer**：一個(gè)用于樹基模型（如隨機(jī)森林或梯度提升）的模型解釋工具。
4. **Anchor**：一種模型推理技術(shù)荐捻，它提供了可解釋的“錨點(diǎn)”黍少，以幫助理解預(yù)測(cè)。
5. **Model Interpretability** 由 **H2O.ai** 提供：一個(gè)庫(kù)处面，用于解釋 H2O.ai 機(jī)器學(xué)習(xí)模型中的結(jié)果，包括部分依賴圖和特征重要性魂角。
6. **TensorFlow Model Analysis**：一個(gè) TensorFlow 工具，用于分析和可視化機(jī)器學(xué)習(xí)模型的性能和偏差野揪。
7. **Scikit-learn 的 permutation_importance**：Scikit-learn 庫(kù)中用于計(jì)算每個(gè)功能對(duì)模型預(yù)測(cè)結(jié)果貢獻(xiàn)的工具。
8. **ELI5（第五層解釋）**：一個(gè)庫(kù)海铆，用于可視化和解釋 Scikit-learn 和其他機(jī)器學(xué)習(xí)模型中的特征重要性和部分依賴圖。
9. **ModelTree**：一種技術(shù)卧斟，用于將復(fù)雜的機(jī)器學(xué)習(xí)模型分解為一組樹基模型，使其更容易解釋珍语。
10. **Google 的 What-If 工具**：一個(gè)基于網(wǎng)絡(luò)的工具竖幔，用于可視化和分析機(jī)器學(xué)習(xí)模型的性能、偏差和公平性拳氢。
11. **IBM 的 AI Explainability 360**：一個(gè)開源庫(kù)，用于生成和評(píng)估機(jī)器學(xué)習(xí)模型中的解釋馋评。
12. **Microsoft 的 Interpret-ML**：一個(gè)庫(kù)，用于解釋機(jī)器學(xué)習(xí)模型并提供模型可解釋性的見解栗恩。

這些只是可用于模型推理的許多工具中的幾個(gè)例子洪燥。選擇合適的工具取決于具體用例乳乌、所使用的機(jī)器學(xué)習(xí)框架以及需要分析的模型類型捧韵。

查看模型

// 命令行直接調(diào)用
root@gpu-01:~# ollama list
NAME               ID              SIZE     MODIFIED    
llama3.3:latest    a6eb4748fd29    42 GB    2 hours ago    

// 通過 ollama serve api 調(diào)用
root@gpu-01:~# curl -s http://localhost:11434/api/tags | jq
{
  "models": [
    {
      "name": "llama3.3:latest",
      "model": "llama3.3:latest",
      "modified_at": "2025-02-21T11:14:42.543258402+08:00",
      "size": 42520413916,
      "digest": "a6eb4748fd2990ad2952b2335a95a7f952d1a06119a0aa6a2df6cd052a93a3fa",
      "details": {
        "parent_model": "",
        "format": "gguf",
        "family": "llama",
        "families": [
          "llama"
        ],
        "parameter_size": "70.6B",
        "quantization_level": "Q4_K_M"
      }
    }
  ]
}

通過 python 與 ollama api 交互

root@gpu-01:~# pip install ollama
root@gpu-01:~# cat demo.py 
from ollama import chat
from ollama import ChatResponse

response: ChatResponse = chat(model='llama3.3:latest', messages=[
  {
    'role': 'user',
    'content': '說(shuō)明下時(shí)間復(fù)雜度？',
  },
])
print(response['message']['content'])

root@gpu-01:~# python3 demo.py 
時(shí)間復(fù)雜度是指算法的運(yùn)行時(shí)間與輸入數(shù)據(jù)大小之間的關(guān)系汉操。通常用“大O”符號(hào)表示再来，記為T(n) = O(f(n))，其中n是輸入數(shù)據(jù)的大小磷瘤，f(n)是函數(shù)芒篷，它描述了算法的運(yùn)行時(shí)間隨著輸入數(shù)據(jù)大小的增長(zhǎng)而變化的趨勢(shì)针炉。

常見的時(shí)間復(fù)雜度有：

1. **O(1)**：常數(shù)時(shí)間復(fù)雜度，表示算法的運(yùn)行時(shí)間與輸入數(shù)據(jù)大小無(wú)關(guān)篡帕。
2. **O(log n)**：對(duì)數(shù)時(shí)間復(fù)雜度，表示算法的運(yùn)行時(shí)間隨著輸入數(shù)據(jù)大小的增長(zhǎng)而呈現(xiàn)對(duì)數(shù)級(jí)別的增加镰烧。
3. **O(n)**：線性時(shí)間復(fù)雜度，表示算法的運(yùn)行時(shí)間隨著輸入數(shù)據(jù)大小的增長(zhǎng)而呈現(xiàn)線性級(jí)別的增加怔鳖。
4. **O(n log n)**：線性對(duì)數(shù)時(shí)間復(fù)雜度固蛾，表示算法的運(yùn)行時(shí)間隨著輸入數(shù)據(jù)大小的增長(zhǎng)而呈現(xiàn)線性對(duì)數(shù)級(jí)別的增加。
5. **O(n^2)**：平方時(shí)間復(fù)雜度魏铅，表示算法的運(yùn)行時(shí)間隨著輸入數(shù)據(jù)大小的增長(zhǎng)而呈現(xiàn)平方級(jí)別的增加坚芜。
6. **O(2^n)**：指數(shù)時(shí)間復(fù)雜度，表示算法的運(yùn)行時(shí)間隨著輸入數(shù)據(jù)大小的增長(zhǎng)而呈現(xiàn)指數(shù)級(jí)別的增加鸿竖。

通常，我們希望算法的時(shí)間復(fù)雜度盡可能低缚忧，以保證其能夠高效地處理大規(guī)模的輸入數(shù)據(jù)悟泵。

例如：

* 二分查找算法的時(shí)間復(fù)雜度為O(log n)，因?yàn)樗看慰梢詫⑺阉骺臻g減半闪水。
* 冒泡排序算法的時(shí)間復(fù)雜度為O(n^2)糕非，因?yàn)樗枰容^每一對(duì)元素。
* 快速排序算法的平均時(shí)間復(fù)雜度為O(n log n)，但在最壞情況下可能達(dá)到O(n^2)朽肥。

總之禁筏，理解時(shí)間復(fù)雜度有助于我們?cè)u(píng)估算法的效率和可擴(kuò)展性，并指導(dǎo)我們選擇合適的算法來(lái)解決實(shí)際問題衡招。

查看模型的顯存占用和停止運(yùn)行中的模型

root@gpu-01:~# nvidia-smi 
Fri Feb 21 13:42:28 2025       
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 550.78                 Driver Version: 550.78         CUDA Version: 12.4     |
|-----------------------------------------+------------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  NVIDIA GeForce RTX 4090        On  |   00000000:16:00.0 Off |                  Off |
| 31%   35C    P8             16W /  450W |    7678MiB /  24564MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+
|   1  NVIDIA GeForce RTX 4090        On  |   00000000:6A:00.0 Off |                  Off |
| 31%   35C    P8              7W /  450W |    6774MiB /  24564MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+
|   2  NVIDIA GeForce RTX 4090        On  |   00000000:94:00.0 Off |                  Off |
| 31%   36C    P8             28W /  450W |    6832MiB /  24564MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+
|   3  NVIDIA GeForce RTX 4090        On  |   00000000:BE:00.0 Off |                  Off |
| 31%   36C    P8             22W /  450W |    6774MiB /  24564MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+
|   4  NVIDIA GeForce RTX 4090        On  |   00000001:16:00.0 Off |                  Off |
| 31%   34C    P8              8W /  450W |    6774MiB /  24564MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+
|   5  NVIDIA GeForce RTX 4090        On  |   00000001:6A:00.0 Off |                  Off |
| 31%   35C    P8             19W /  450W |    6832MiB /  24564MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+
|   6  NVIDIA GeForce RTX 4090        On  |   00000001:94:00.0 Off |                  Off |
| 30%   36C    P8             18W /  450W |    6832MiB /  24564MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+
|   7  NVIDIA GeForce RTX 4090        On  |   00000001:BE:00.0 Off |                  Off |
| 31%   35C    P8             16W /  450W |    7452MiB /  24564MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+
                                                                                         
+-----------------------------------------------------------------------------------------+
| Processes:                                                                              |
|  GPU   GI   CI        PID   Type   Process name                              GPU Memory |
|        ID   ID                                                               Usage      |
|=========================================================================================|
|    0   N/A  N/A    375637      C   /usr/local/bin/ollama                        7670MiB |
|    1   N/A  N/A    375637      C   /usr/local/bin/ollama                        6766MiB |
|    2   N/A  N/A    375637      C   /usr/local/bin/ollama                        6824MiB |
|    3   N/A  N/A    375637      C   /usr/local/bin/ollama                        6766MiB |
|    4   N/A  N/A    375637      C   /usr/local/bin/ollama                        6766MiB |
|    5   N/A  N/A    375637      C   /usr/local/bin/ollama                        6824MiB |
|    6   N/A  N/A    375637      C   /usr/local/bin/ollama                        6824MiB |
|    7   N/A  N/A    375637      C   /usr/local/bin/ollama                        7444MiB |
+-----------------------------------------------------------------------------------------+


root@gpu-01:~# ollama stop llama3.3:latest

deepseek-r1:70b 模型使用

root@gpu-01:~# ollama pull deepseek-r1:70b
pulling manifest 
pulling 4cd576d9aa16... 100% ▕████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏  42 GB                         
pulling 369ca498f347... 100% ▕████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏  387 B                         
pulling 6e4c38e1172f... 100% ▕████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ 1.1 KB                         
pulling f4d24e9138dd... 100% ▕████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏  148 B                         
pulling 5e9a45d7d8b9... 100% ▕████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏  488 B                         
verifying sha256 digest 
writing manifest 
success 
root@gpu-01:~# ollama list
NAME               ID              SIZE     MODIFIED      
deepseek-r1:70b    0c1615a8ca32    42 GB    2 minutes ago    
llama3.3:latest    a6eb4748fd29    42 GB    3 hours ago      

root@gpu-01:~# ollama run deepseek-r1:70b
>>> udp有沒有擁塞控制州刽？
<think>

</think>

UDP（用戶數(shù)據(jù)報(bào)協(xié)議）本身不具有擁塞控制機(jī)制浪箭。以下是詳細(xì)原因及相關(guān)信息：

### 1. **UDP 的特點(diǎn)**
- **無(wú)連接**: UDP 是無(wú)連接的協(xié)議奶栖，數(shù)據(jù)報(bào)的發(fā)送和接收不需要建立連接驼抹。
- **盡力而為_delivery**: UDP 不保證數(shù)據(jù)報(bào)的可靠遞送，可能會(huì)出現(xiàn)丟包流椒、亂序等情況宣虾。
- **輕量級(jí)**: UDP 的頭部較小绣硝，只有8個(gè)字節(jié)鹉胖，處理開銷低够傍。

### 2. **擁塞控制的缺失**
- **無(wú)內(nèi)置機(jī)制**: UDP 協(xié)議本身不包含擁塞控制的機(jī)制冕屯，因此發(fā)送方不會(huì)根據(jù)網(wǎng)絡(luò)狀況調(diào)整數(shù)據(jù)傳輸速率安聘。
- **可能導(dǎo)致網(wǎng)絡(luò)擁塞**: 如果發(fā)送方以高速度持續(xù)發(fā)送數(shù)據(jù)瓢棒，可能會(huì)導(dǎo)致網(wǎng)絡(luò)帶寬被耗盡音羞，尤其在網(wǎng)絡(luò)環(huán)境復(fù)雜或帶寬有限的情況下嗅绰。

### 3. **應(yīng)用場(chǎng)景**
盡管 UDP 缺乏擁塞控制窘面，但它在某些場(chǎng)景下仍然是合適的選擇：
- **實(shí)時(shí)性要求高**: 如視頻會(huì)議财边、在線游戲等酣难，對(duì)延遲敏感但可容忍部分?jǐn)?shù)據(jù)丟失黑滴。
- **廣播或多播**: UDP 支持一對(duì)多或多對(duì)多的通信袁辈，適用于流媒體和在線直播。

### 4. **解決方案**
如果需要在 UDP 通信中實(shí)現(xiàn)擁塞控制，可以采取以下措施：
- **應(yīng)用層實(shí)現(xiàn)**: 在應(yīng)用程序中手動(dòng)控制發(fā)送速率冈敛，根據(jù)反饋調(diào)整數(shù)據(jù)傳輸速度。
- **使用其他協(xié)議**: 如果需要可靠傳輸和擁塞控制椎侠，可以選擇 TCP 或其他支持擁塞控制的協(xié)議慎宾。

### 總結(jié)
UDP 不具備內(nèi)置的擁塞控制機(jī)制，適用于對(duì)實(shí)時(shí)性要求高但可容忍數(shù)據(jù)丟失的場(chǎng)景汹碱。對(duì)于需要可靠傳輸和擁塞控制的應(yīng)用，建議使用 TCP 或在應(yīng)用層實(shí)現(xiàn)相關(guān)功能褂删。

最后編輯于：2025.02.21 14:39:54

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者

人面猴
序言：七十年代末难衰，一起剝皮案震驚了整個(gè)濱河市，隨后出現(xiàn)的幾起案子，更是在濱河造成了極大的恐慌兵志，老刑警劉巖悠栓，帶你破解...
沈念sama閱讀 221,576評(píng)論 6贊 515
死咒
序言：濱河連續(xù)發(fā)生了三起死亡事件癞志，死亡現(xiàn)場(chǎng)離奇詭異错洁，居然都是意外死亡，警方通過查閱死者的電腦和手機(jī)导而，發(fā)現(xiàn)死者居然都...
沈念sama閱讀 94,515評(píng)論 3贊 399
救了他兩次的神仙讓他今天三更去死
文/潘曉璐我一進(jìn)店門仍稀，熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)，“玉大人享幽，你說(shuō)我怎么就攤上這事⌒埃” “怎么了？”我有些...
開封第一講書人閱讀 168,017評(píng)論 0贊 360
道士緝兇錄：失蹤的賣姜人
文/不壞的土叔我叫張陵，是天一觀的道長(zhǎng)。經(jīng)常有香客問我溶推，道長(zhǎng)舞箍，這世上最難降的妖魔是什么疏橄？我笑而不...
開封第一講書人閱讀 59,626評(píng)論 1贊 296
?港島之戀（遺憾婚禮）
正文為了忘掉前任，我火速辦了婚禮，結(jié)果婚禮上蛔翅，老公的妹妹穿的比我還像新娘。我一直安慰自己，他們只是感情好赊淑，可當(dāng)我...
茶點(diǎn)故事閱讀 68,625評(píng)論 6贊 397
惡毒庶女頂嫁案：這布局不是一般人想出來(lái)的
文/花漫我一把揭開白布。她就那樣靜靜地躺著，像睡著了一般蛛砰。火紅的嫁衣襯著肌膚如雪。梳的紋絲不亂的頭發(fā)上琅翻，一...
開封第一講書人閱讀 52,255評(píng)論 1贊 308
城市分裂傳說(shuō)
那天，我揣著相機(jī)與錄音有决，去河邊找鬼。笑死台汇，一個(gè)胖子當(dāng)著我的面吹牛，可吹牛的內(nèi)容都是我干的掠抬。我是一名探鬼主播，決...
沈念sama閱讀 40,825評(píng)論 3贊 421
雙鴛鴦連環(huán)套：你想象不到人心有多黑
文/蒼蘭香墨我猛地睜開眼，長(zhǎng)吁一口氣：“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼劣坊！你這毒婦竟也來(lái)了？” 一聲冷哼從身側(cè)響起康二，我...
開封第一講書人閱讀 39,729評(píng)論 0贊 276
萬(wàn)榮殺人案實(shí)錄
序言：老撾萬(wàn)榮一對(duì)情侶失蹤，失蹤者是張志新（化名）和其女友劉穎诫惭，沒想到半個(gè)月后夕土，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體哈踱，經(jīng)...
沈念sama閱讀 46,271評(píng)論 1贊 320
?護(hù)林員之死
正文獨(dú)居荒郊野嶺守林人離奇死亡，尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛以下內(nèi)容為張勛視角年9月15日...
茶點(diǎn)故事閱讀 38,363評(píng)論 3贊 340
?白月光啟示錄
正文我和宋清朗相戀三年，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片又碌。...
茶點(diǎn)故事閱讀 40,498評(píng)論 1贊 352
活死人
序言：一個(gè)原本活蹦亂跳的男人離奇死亡癌别，死狀恐怖，靈堂內(nèi)的尸體忽然破棺而出躁垛，到底是詐尸還是另有隱情，我是刑警寧澤活玲，帶...
沈念sama閱讀 36,183評(píng)論 5贊 350
?日本核電站爆炸內(nèi)幕
正文年R本政府宣布，位于F島的核電站镀迂，受9級(jí)特大地震影響窟赏，放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜，卻給世界環(huán)境...
茶點(diǎn)故事閱讀 41,867評(píng)論 3贊 333
男人毒藥：我在死后第九天來(lái)索命
文/蒙蒙一、第九天我趴在偏房一處隱蔽的房頂上張望。院中可真熱鬧病瞳，春花似錦心褐、人聲如沸。這莊子的主人今日做“春日...
開封第一講書人閱讀 32,338評(píng)論 0贊 24
一樁弒父案，背后竟有這般陰謀
文/蒼蘭香墨我抬頭看了看天上的太陽(yáng)斑胜。三九已至止潘，卻和暖如春，著一層夾襖步出監(jiān)牢的瞬間么夫，已是汗流浹背涉枫。一陣腳步聲響...
開封第一講書人閱讀 33,458評(píng)論 1贊 272
情欲美人皮
我被黑心中介騙來(lái)泰國(guó)打工遭垛，沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留锯仪，地道東北人庶喜。一個(gè)月前我還...
沈念sama閱讀 48,906評(píng)論 3贊 376
代替公主和親
正文我出身青樓斥扛，卻偏偏與公主長(zhǎng)得像，于是被迫代替她去往敵國(guó)和親。傳聞我的和親對(duì)象是個(gè)殘疾皇子阶女，可洞房花燭夜當(dāng)晚...
茶點(diǎn)故事閱讀 45,507評(píng)論 2贊 359

使用 Ollama 運(yùn)行本地 deepseek 模型

推薦閱讀更多精彩內(nèi)容