whichllm：一条命令找出你的机器到底该跑哪个本地 LLM

看完你会发现，你之前选模型的方式可能要更新了。

选本地 LLM 最头疼的不是"哪个模型好"，而是"哪个模型在我的机器上跑得最好"。

大部分人选模型的逻辑是：VRAM 够不够 → 参数量最大能塞哪个 → 下那个。但这个逻辑有个致命问题——参数量大不代表效果好，更不代表速度快。

whichllm 就是来解决这个问题的。4500 Star，Python 写的，MIT 协议。一条命令，它检测你的 GPU/CPU/RAM，然后从 HuggingFace 的实时数据里，按真实 Benchmark 分数给你排个名——不是按参数量，是按实际表现。

本文提纲

1. 一条命令看看效果
2. 核心差异：为什么不是"能塞进去的最大的那个"
3. 评分体系拆解
4. 实用功能：模拟 GPU、硬件规划、一键聊天
5. 支持什么硬件和模型格式

一条命令看看效果

# 零安装，直接跑
uvx whichllm@latest

# 或者模拟一张 RTX 4090
uvx whichllm@latest --gpu "RTX 4090"

输出是这样的：

#1  Qwen/Qwen3.6-27B     27.8B  Q5_K_M   score 92.8    27 t/s
#2  Qwen/Qwen3-32B       32.0B  Q4_K_M   score 83.0    31 t/s
#3  Qwen/Qwen3-30B-A3B   30.0B  Q5_K_M   score 82.7   102 t/s

注意：32B 模型完全能塞进 24GB VRAM，但 whichllm 把 27B 排第一——因为它的 Benchmark 分数更高，而且是新一代模型。一个只看"能不能装下"的工具会给你 32B 的。这个差距就是 whichllm 存在的意义。

第三行那个 MoE 模型更有意思：30B 总参数但只有 3B 激活参数，所以速度是 102 t/s。质量按总参数评，速度按激活参数算。

核心差异：为什么不是"能塞进去的最大的那个"

whichllm 的 README 里有句话特别精准：

Fitting a model into your VRAM is the easy part. The hard part is knowing which of the models that fit is actually the best.

它做了三件其他工具没做的事：

1. 基于 Benchmark 排名，不是参数量

合并了 LiveBench、Artificial Analysis、Aider、Chatbot Arena ELO、Open LLM Leaderboard 等多个真实评测数据源。每个分数都标注了证据等级（direct / variant / base / interpolated / self-reported），并按可信度打折。

2. 时间感知（Recency-aware）

旧的排行榜数据会被降权。一个 2024 年的模型不可能靠过时的分数排在 2026 年新模型前面。每次排名下面都印着 Benchmark 快照日期，过时推荐一目了然。

3. 防造假

上传者自己声称的 Benchmark 分数打折到 0.55 倍。跨家族"借分"（一个小 Fork 继承大模型的分数）会被直接拒绝。

评分体系拆解

每个模型拿到一个 0-100 的分数：

分数标注：~（无直接 Benchmark，继承自家族）、!sr（上传者自报分数）、?（无数据）。

实用功能

模拟 GPU：买卡之前先试

whichllm --gpu "RTX 4090"
whichllm --gpu "RTX 5090"

打算升级显卡？跑一下看看哪张卡能跑什么模型，再做决定。

硬件规划：反向查找

whichllm plan "llama 3 70b"

"我想跑 Llama 3 70B，需要什么 GPU？"它直接告诉你。

升级对比

whichllm upgrade "RTX 4090" "RTX 5090" "H100"

对比多张候选显卡，看升级后能多跑什么。

一键聊天

whichllm run "qwen 2.5 1.5b gguf"

自动创建隔离环境、下载模型、启动交互聊天。支持 GGUF、AWQ、GPTQ、FP16/BF16 全格式。

代码片段

whichllm snippet "qwen 7b"

直接输出可以复制粘贴的 Python 代码：

from llama_cpp import Llama

llm = Llama.from_pretrained(
    repo_id="Qwen/Qwen2.5-7B-Instruct-GGUF",
    filename="qwen2.5-7b-instruct-q4_k_m.gguf",
    n_ctx=4096,
    n_gpu_layers=-1,
    verbose=False,
)

output = llm.create_chat_completion(
    messages=[{"role": "user", "content": "Hello!"}],
)
print(output["choices"][0]["message"]["content"])

JSON 输出

whichllm --top 1 --json | jq -r '.models[0].model_id'

方便接入脚本和自动化流程。

支持什么硬件和模型格式

硬件：NVIDIA、AMD（Linux/ROCm）、Apple Silicon（Metal）、纯 CPU。自动检测，不需要手动配置。

模型格式：
- GGUF — 通过 llama-cpp-python（轻量快速）
- AWQ / GPTQ — 通过 transformers + autoawq/auto-gptq
- FP16 / BF16 — 通过 transformers

平台限制：Apple Silicon 和纯 CPU 只推荐 GGUF（稳定性考虑）；Linux + NVIDIA 可以用 AWQ/GPTQ。

数据来源：模型列表实时从 HuggingFace API 获取，有离线缓存回退（6 小时模型缓存、24 小时 Benchmark 缓存）。

安装

# 推荐：uvx 零安装运行
uvx whichllm@latest

# 或 Homebrew
brew install andyyyy64/whichllm/whichllm

# 或 pip
pip install whichllm

要求 Python 3.11+。

跑了一下，你的机器推荐了什么模型？评论区说说，看看大家的硬件都能跑什么。

作者: itech001
来源: 公众号：AI人工智能时代
网站: https://www.theaiera.cn/
每日分享最前沿的AI新闻资讯和技术研究。

本文首发于 AI人工智能时代，转载请注明出处。