【Jetson】基于llama.cpp部署gpt-oss-20b（推理与GUI交互）

前言

本文在jetson设备上使用llama.cpp完成gpt-oss 20b的部署，包括后端推理和GUI的可视化交互。
使用的设备为orin nx 16g（super），这个显存大小推理20b的模型完全没有问题。

使用硬件如下，支持开启super模式。（https://www.seeedstudio.com/reComputer-Super-J4012-p-6443.html）

• jetpack版本：6.2
• 系统：ubuntu 22.04
• CUDA版本：12.6

安装llama.cpp

拉取llama.cpp，maste分支下25年8月份之后支持gpt-oss：

git clone https://github.com/ggml-org/llama.cpp.git
cd llama.cpp

进行编译，编译时间会比较长：

sudo apt update
sudo apt install -y build-essential cmake git
cmake -B build -DGGML_CUDA=ON 
cmake --build build --parallel # 平行编译

如果出现cuda相关的路径错误，如下：

-- Found CUDAToolkit: /usr/local/cuda/include (found version "12.6.68")
-- CUDA Toolkit found
-- Using CUDA architectures: 50;61;70;75;80
CMake Error at /usr/share/cmake-3.22/Modules/CMakeDetermineCompilerId.cmake:726 (message):Compiling the CUDA compiler identification source file"CMakeCUDACompilerId.cu" failed.Compiler: CMAKE_CUDA_COMPILER-NOTFOUNDBuild flags:Id flags: -vThe output was:No such file or directoryCall Stack (most recent call first):/usr/share/cmake-3.22/Modules/CMakeDetermineCompilerId.cmake:6 (CMAKE_DETERMINE_COMPILER_ID_BUILD)/usr/share/cmake-3.22/Modules/CMakeDetermineCompilerId.cmake:48 (__determine_compiler_id_test)/usr/share/cmake-3.22/Modules/CMakeDetermineCUDACompiler.cmake:298 (CMAKE_DETERMINE_COMPILER_ID)ggml/src/ggml-cuda/CMakeLists.txt:25 (enable_language)-- Configuring incomplete, errors occurred!

说明编译器环境路径不对，参考下面指令修复，cuda-12.6换为你使用的cuda版本：

export PATH=/usr/local/cuda-12.6/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-12.6/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

编译完成后，在llama.cpp目录下安装后续转换模型需要用的依赖：

pip install -e .

后续调用该目录下的脚本与执行文件即可。

下载gpt-oss模型

option A : 使用 huggingface-cli 下載

该方法下载模型需要翻墙，如果网络环境不好请看option B。

安装HuggingFace-cli，并下载模型：

pip install -U "huggingface_hub[cli]"
huggingface-cli download openai/gpt-oss-20b  --local-dir gpt-oss-20b/

option B: 手动下载

国内使用使用huggingface-cli下载模型经常链接不上服务器，这种情况可以选择手动下载。

进入Hugging Face中gpt-oss的主页，如下：
https://huggingface.co/openai/gpt-oss-20b/tree/main

图中的几个就是模型文件以及相关的参数文件，点击下载后，放到同一个目录下:

转换模型与量化

把模型从HuggingFace格式转为gguf格式：

python convert_hf_to_gguf.py --outfile /home/seeed/Downloads/gpt-oss /home/seeed/Documents/gpt-oss-gguf/
# python convert_hf_to_gguf.py --outfile <输入模型的路径> <输出模型的路径>

对模型进行量化：

./build/bin/llama-quantize /home/seeed/Documents/gpt-oss-gguf/Gpt-Oss-32x2.4B-F16.gguf /home/seeed/Documents/gpt-oss-gguf-Q4/Gpt-Oss-32x2.4B-Q4.gguf Q4_K
# ./build/bin/llama-quantize <f16_gguf_模型的路径> <输出模型的路径> <量化方法>

你也可以在HuggingFace找到别人量化好的各种精度的gguf格式模型，直接下载可以跳过上面的转换/量化步骤：
https://huggingface.co/unsloth/gpt-oss-20b-GGUF/tree/main

gpt-oss原生的模型中一些算子本来就才用了压缩的精度（例如mxfp4精度）
所以量化后模型没有明显的变小。

模型推理与benchmark

在llama.cpp目录下，启动cli进行推理测试，-ngl 40表示模型的前40层在GPU上运行，所以当模型较小时，这个参数设置到某个阈值就不会再提升推理速度：

./build/bin/llama-cli -m /home/seeed/Documents/gpt-oss-gguf/Gpt-Oss-32x2.4B-F16.gguf -ngl 40

启动后可以在终端中向gpt提问

使用llama.cpp做benchmark，测试推理速度，batch-size提高也会提升测速结果：

./build/bin/llama-bench -m /home/seeed/Documents/gpt-oss-gguf/Gpt-Oss-32x2.4B-F16.gguf -ngl 40 --batch-size 2048

GUI交互

启动llam-server，提供后端推理服务，记得把之前的llama-cli关掉：

./build/bin/llama-server -m /home/seeed/Documents/gpt-oss-gguf/Gpt-Oss-32x2.4B-F16.gguf -ngl 40

如果希望通过 UI 界面访问模型，可以在 Jetson 上安装 OpenWebUI 来实现。

打开一个新的终端并输入以下命令，安装并启动OpenWebUI：

pip install open-webui
open-webui serve

然后，打开您的浏览器并导航到 http://<jetson的ip地址>:8080 来启动 Open WebUI。如果使用本地回环就设置为127.0.0.1这个地址。

转到 ⚙️ Admin Settings → Connections → OpenAI Connections，将 url 设置为：http://127.0.0.1:8081。保存后，Open WebUI将开始使用本地的Llama.cpp服务器作为后端

总结

gpt-oss，需要使用8月份之后release的llama.cpp才能推理，目前该模型量化的压缩效果不明显。