术语表与 FAQ
初识本地大模型？从这里开始。先是本维基所用术语的通俗定义，随后是大家最常问的问题。
术语表
| 术语 | 含义 |
|---|---|
| LLM（大语言模型） | 一种被训练来预测文本的神经网络。你给它一个提示词；它产生续写。 |
| 推理（Inference） | 运行一个已训练的模型来得到答案（与训练相对，训练是创建模型）。TensorSharp 是一个推理引擎。 |
| GGUF | 一种把模型权重与元数据打包在一起的单文件模型格式。TensorSharp 加载 GGUF 文件，通常从 Hugging Face 下载。 |
| 量化（Quantization） | 把模型权重压缩到更少位数（如 Q4_K_M ≈ 4 位，Q8_0 ≈ 8 位），让模型占用更少内存、运行更快，代价是少量质量损失。 |
| Token | 模型读写的单位 —— 大致是一个词片。“每秒 token 数”衡量速度；“上下文长度”是一次能容纳多少 token。 |
| 分词器（Tokenizer） | 在文本与 token 之间互转。TensorSharp 自带 SentencePiece 与 BPE 分词器。 |
| Prefill vs decode | Prefill 一次性处理你的整个提示词；decode 逐 token 生成回复。两者性能特征不同。 |
| KV 缓存 | 存储较早 token 的注意力“键与值”，使模型不必重算。它让长上下文与多轮对话更高效。→ 分页 KV |
| TTFT | “首 token 时间” —— 答案开始流式输出前需多久。KV 缓存复用会在后续轮次降低它。 |
| 后端（Backend） | 运行数学运算的硬件路径：CPU、NVIDIA GPU（CUDA）、任何 Vulkan GPU（AMD/Intel/NVIDIA）或 Apple Silicon GPU（Metal/MLX）。→ 后端 |
| MoE（专家混合） | 一种把每个 token 路由到少数几个专门子网络（“专家”）而非整张网络的模型，以更低的每 token 计算获得更大容量。 |
| 多模态（Multimodal） | 能接收文本以外的输入 —— 图像、音频或视频。→ 多模态 |
| 思考 / 推理 | 模型在最终答案前产生隐藏的逐步推理；TensorSharp 将两者分离。→ 思考模式 |
| 工具 / 函数调用 | 模型可请求你的应用运行一个函数（如 “get_weather”）并使用结果。→ 工具调用 |
| 连续批处理 | 在单个托管模型上交错运行多个用户的请求，从而同时服务多人，而非一次一个。→ 深入了解 |
| 推测解码 | 一个小“草稿”头猜测若干 token；主模型一次性验证它们 —— 输出更快、结果一致。→ MTP |
| 块级草稿器 / DSpark | 一次提议一整块 token 而非逐个的投机草稿器，由置信度头决定起草多远。DeepSeek V4 以独立 GGUF 的形式提供了一个。→ DSpark |
| 张量并行（TP） | 把一个模型切分到多张 GPU 上，每张卡持有每层权重的一部分 —— 用于单卡装不下的模型。这与运行模型的多个副本不同。→ 多 GPU 与多节点 |
| AllReduce | 并行组中每张 GPU 把自己的部分结果与其他 GPU 相加的集合通信步骤，结束后所有 GPU 持有相同的值。TensorSharp 在每次行并行投影之后执行它。 |
| 节点 / rank | 在分布式运行中，节点指一台机器，rank 指某张 GPU 在并行组中的位置。全局并行度 = 本机 GPU 数 × 节点数。 |
| 投影器（mmproj） | 一个配套文件，让多模态模型能理解图像/音频。用 --mmproj 传入；给出图像、音频或视频时，CLI 也能按文件名在模型旁找到它，但服务器不会自动查找。Qwen-Image-2.1 是两种宿主上的例外：除非用 --qwen-image-mmproj 指定，模型会在 DiT 所在目录中查找它的 Qwen3-VL-8B 投影器。 |
| 知识集合 / RAG | 从显式选择的本地集合中检索证据，再供模型回答使用。TensorSharp 保留原文件、来源位置与版本化引用；默认 BM25，可选嵌入和重排。检索与引用不保证答案正确。知识库指南 → |
| 回答引导 | 生成时发送新指令，停止当前生成、保留已产生文本，再继续新一轮。TensorAgent、服务器 Chat UI 与交互 CLI 支持；不能撤销已执行的工具动作。 |
| 采样（Sampling） | 如何从模型的概率中选取下一个 token。温度、top-p 与 top-k 控制创造性与确定性的平衡。→ 采样 |
常见问题
我需要 GPU 吗？
不需要。TensorSharp 可在普通 CPU 上运行（--backend cpu 或更快的 ggml_cpu）。GPU —— NVIDIA（CUDA）、任何支持 Vulkan 的 AMD/Intel/NVIDIA GPU，或 Apple Silicon（Metal/MLX）—— 会让生成显著更快，尤其是更大的模型。见后端。
我该从哪个模型开始？
建议从 Gemma 4 E4B Q8_0（推荐公开文件为 7.48 GiB）开始 —— 它是 TensorSharp 原生 GGML 快路径上经过验证的快速上手模型，支持思维链、工具调用，以及需要可选投影器的图像/视频/音频输入。内存占用更低的入门模型是 Qwen3.5-9B IQ4_XS（约 5.2 GB）。见 E4B 快路径或模型下载。
我的数据私密吗？
是的 —— 推理完全在你的机器上进行。提示词、文档与图像不会发送到任何外部服务。这正是各组织选择本地推理的主要原因。见商业价值。
我能继续用现有的 OpenAI / Ollama 代码吗？
可以。服务器同时支持两种线格式。把 OpenAI 客户端指向 http://localhost:5000/v1（任意 API key），或把 Ollama 客户端指向 http://localhost:5000/api/…。见 HTTP API。
我如何同时服务多个用户？
运行服务器（TensorSharp.Server.Host）。它的连续批处理引擎将并发请求交错运行于一个托管模型之上，并在它们之间共享公共提示前缀，从而保持高吞吐。见连续批处理。
我如何让它更快？
- 使用 GPU 后端（
ggml_cuda、ggml_vulkan或ggml_metal）。 - 选更小或量化更激进的模型。
- 在受支持的模型上，用
--spec启用推测解码；在 DeepSeek V4 上则用--draft-model加载 DSpark 块级草稿器。 - 复用会话，让 KV 缓存前缀在轮次间延续。
成本如何？
没有按 token 计费 —— 你在自己掌控的硬件上运行开放模型。成本是硬件以及运行它的电费。见商业价值。
支持哪些平台？
支持基于 .NET 10 的 Windows、Linux 与 macOS（Apple Silicon）。Releases 页面为 Windows x64（CPU/CUDA）、Linux x64（CPU/CUDA）与 macOS arm64 提供预构建 CLI/Server 归档，包含该目标的发行版还提供面向 NVIDIA GB10 / DGX Spark（CUDA 13）的实验性 Linux arm64 归档；仍可从源码构建。TensorAgent 桌面版发行包与安装指南覆盖 Apple Silicon macOS 14+ 与 Windows x64；旧发行版可能没有桌面文件。iPhone 与 iPad（iOS 17 或更高版本）通过从源码构建的 TensorAgent 应用运行。见快速开始与平台二进制状态。
它的许可证是什么？
TensorSharp 由 Zhongkai Fu 编写，并按仓库 LICENSE 文件中的许可证（BSD-3-Clause）分发。你下载的每个模型都有其发布者各自的独立许可证 —— 请查看 Hugging Face 上的模型卡。
我在哪里反馈问题或贡献？
在 GitHub 仓库。