本地部署

作为一个技术爱好者，当 MiniMax 开源了 Video-01 (海螺 AI) 视频生成模型后，我第一时间就想在自己的 MacBook Pro 上跑起来试试。经过一番折腾，成功跑通了 ComfyUI 和 VideoPipe 两套方案，记录下来分享给同样喜欢折腾的朋友。 背景：为什么要本地部署视频生成模型 云端 API 虽然方便，但本地部署 AI 视频生成有几个无可替代的优势： 隐私安全：创意内容不外传，商业项目更安心 成本可控：不用按视频数量计费，爱生成多少生成多少 离线可用：没网也能创作 学习价值：深入理解视频生成的技术细节 折腾乐趣：这才是技术爱好者的快乐源泉 😄 我的测试环境 先说说我的硬件配置： 1 2 3 4 5 6 设备：MacBook Pro 16" (2024) 芯片：Apple M5 Pro 内存：48GB 统一内存 GPU：20 核心 GPU 存储：512GB SSD 系统：macOS Sequoia 15.2 重要提示： MiniMax Video-01 模型至少需要 24GB 统一内存 强烈建议 M3 Pro/Max, M4 Pro/Max, M5 Pro 及以上 推荐 48GB+ 内存，我的 48GB 刚好够用 生成一个 6 秒视频需要 5-15 分钟 如果只有 16GB 内存，基本无法运行 关于 M5 Pro：这是 2024 年最新的 Apple Silicon，性能比 M2 Max 提升约 30%，Metal 性能优化对 AI 推理特别友好。 ...

在本地化部署与离线使用场景中，Ollama、LM Studio 与 AnythingLLM 是三款主流平台，它们在模型支持范围、易用性、性能优化、社区生态以及商业许可等方面各有侧重。下表直观对比了三者的关键维度： 📊 平台对比总览 特性 Ollama LM Studio AnythingLLM 模型生态 支持 100+ 开源与闭源模型（如 GPT-OSS、Gemma 3、Llama3.1、DeepSeek 等），可通过 CLI 与 API 一键拉取与切换； 主要整合 Hugging Face 与 Mistral、Phi 3 系列，本地化界面化管理模型； 聚焦社区贡献模型与自定义微调，支持量化转换与多框架导入； 上下文窗口 最长 128K tokens，本地高效加载； 视模型而定，多数支持 8K–16K； 多数模型自带 4K–32K，可自定义扩展； 易用性 CLI + HTTP API，脚本化和集成友好； 可视化 GUI 管理，一键下载、运行与监控； 以 Python SDK 为核心，需编程对接； 性能优化 原生 MXFP4 与 QAT 量化，侧重 MoE 与长上下文优化； 内置 GPU/CPU 并行管理与自动批处理，支持 ONNX 与 TensorRT 导出； 支持 GGUF、GGML 与 ONNX，易于部署到边缘设备； 工具链集成 原生支持函数调用、Python 执行与 Web 搜索； 插件生态丰富，支持自定义后处理与监控脚本； 灵活集成 LangChain、LlamaIndex 等 RAG 工具； 社区与支持 官方文档齐全，活跃社区讨论与定期模型更新； 官方与第三方插件快速迭代，社区贡献模板； 社区驱动，依赖 GitHub 贡献与模板市场； 商业许可 多数模型 Apache-2.0／MIT，平台本身免费； 平台免费，模型受上游许可约束； 平台免费，部分模型 CC／专有许可； 部署环境 服务器或本地工作站； 桌面化应用（Windows/Mac/Linux）； 脚本化部署于任意支持 Python 的环境； 典型用户 开发者、数据科学家、企业后端集成； 无代码用户、快速原型与演示； 研究者、高度自定义场景； 🎯 详细平台分析 Ollama：开发者友好的命令行平台 核心优势 丰富的模型生态 支持100+开源和闭源模型 一键拉取和切换模型 定期更新模型库 支持自定义模型导入 ...