llama.cpp

llama.cpp — C++-движок, в который заворачиваются почти все остальные локальные инструменты. Без Python, зависимостей — только компилятор (или релизный бинарник). `llama-server -hf ggml-org/gpt-oss-120b-GGUF` говорит на OpenAI на порту 8080.

Скачать Официальная документация ↗

Контекст задаётся при запуске флагом -c. CPU, Metal, CUDA, ROCm. Берите, когда хочется к железу напрямую — или когда Ollama и LM Studio кажутся слишком большим приложением вокруг модели.

Макс. контекст: Set with -c at launch
Бесплатный тариф: Безлимит и приватность
Требование: Ничего — без аккаунта

Эндпоинт

Базовый URLhttp://localhost:8080/v1

Лимит скоростиNone — it is your machine

Совместим с OpenAI
текст

Примеры кода

npm install openai

import OpenAI from 'openai'

const client = new OpenAI({
  baseURL: 'http://localhost:8080/v1',
  apiKey: 'not-needed'
})

const response = await client.chat.completions.create({
  model: 'gpt-oss-120b',
  messages: [{ role: 'user', content: 'Explain closures in one paragraph.' }]
})

console.log(response.choices[0].message.content)

pip install openai

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:8080/v1",
    api_key="not-needed",
)

response = client.chat.completions.create(
    model="gpt-oss-120b",
    messages=[{"role": "user", "content": "Explain closures in one paragraph."}],
)

print(response.choices[0].message.content)

curl http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-oss-120b",
    "messages": [{"role": "user", "content": "Explain closures in one paragraph."}]
  }'

Стоит знать

Сначала поднимите сервер: `llama-server -hf ggml-org/gpt-oss-120b-GGUF`.

Модели, которые вы получаете бесплатно2

Llama 3.3 70Bllama-3.3-70b
Qwen 3qwen3