在 8GB 显存上部署 Hermes 智能体：本地大模型实战指南

2026年7月25日拾知 Feng

适用硬件：NVIDIA GeForce RTX 5060 (8GB VRAM) + i5-10400F / 32GB RAM 技术栈：Ollama GGUF 模型、Hermes Agent v0.19.0

一、核心目标

在 8GB 显存（RTX 5060） 的硬件条件下，为 Hermes 智能体框架 找到一套兼顾 长上下文（≥64K） 与 高推理速度 的本地模型方案，并完成模型的下载、导入、调优和定稿。

二、最终定稿模型清单

模型名	源文件	上下文	速度（实测）	层分布	定位
`qwen35:90k`	`Qwen3.5-4B-Q4_K_M.gguf`	90K	~88 tok/s	全GPU	Hermes 智能体 / 日常对话主力
`qwen35-coder:100k`	`qwen3.5-4B-super-coder.Q4_0.gguf`	100K	~95 tok/s	全GPU	编程 / 代码生成主力
`bge-m3:q8`	`bge-m3-Q8_0.gguf`	8K	—	—	知识库向量化 / 检索
`qwen3-8b:q4`（备选）	`Qwen3-8B-Q4_K_M.gguf`	40K	~8 tok/s	部分CPU	8B 通用能力备选
`deepseek-r1-8b:q4`（备选）	`DeepSeek-R1-0528-Qwen3-8B-Q4_K_M.gguf`	40K	~8 tok/s	部分CPU	8B 推理增强备选
`qwen3-emb-8b:q4`（备选）	`Qwen3-Embedding-8B-Q4_K_M.gguf`	—	—	—	高精度检索备选

三、核心命令速查

以下所有命令都在模型文件所在目录（如 D:\Tools\models\）下执行。

1. 导入模型（从 .gguf 文件创建 Ollama 模型）

# 格式：echo FROM ./文件名.gguf > Modelfile.txt && echo PARAMETER num_ctx 上下文值 >> Modelfile.txt && ollama create 模型名:标签 -f Modelfile.txt

# 示例1：创建 qwen35:90k（通用版，90K上下文）
echo FROM ./Qwen3.5-4B-Q4_K_M.gguf > Modelfile.txt && echo PARAMETER num_ctx 92160 >> Modelfile.txt && ollama create qwen35:90k -f Modelfile.txt

# 示例2：创建 qwen35-coder:100k（编程版，100K上下文）
echo FROM ./qwen3.5-4B-super-coder.Q4_0.gguf > Modelfile.txt && echo PARAMETER num_ctx 102400 >> Modelfile.txt && ollama create qwen35-coder:100k -f Modelfile.txt

# 示例3：创建 bge-m3:q8（嵌入模型，无需额外参数）
echo FROM ./bge-m3-Q8_0.gguf > Modelfile.txt && ollama create bge-m3:q8 -f Modelfile.txt

2. 查看已导入的模型列表

ollama list
3. 运行模型（测试）

ollama run 模型名:标签
# 例如：ollama run qwen35:90k

4. 删除模型

ollama rm 模型名:标签
# 例如：ollama rm qwen3-8b:q4

5. 查看模型详细信息（确认参数）

ollama show 模型名:标签 --modelfile
# 例如：ollama show qwen35:90k --modelfile

7. 查看 Ollama 服务日志（排查 GPU 调用问题）

ollama serve   # 前台运行，Ctrl+C 停止

8. 查看 GPU状态（NVIDIA）

nvidia-smi

四、关键结论记录

问题	结论
Hermes 需要多大上下文？	≥64K，推荐 90K~100K
8GB 显卡能跑多大模型？	4B 参数 + 90K/100K 上下文 = 全GPU，~88~95 tok/s（最优）
8B 模型为什么不用？	40K 上下文不够 Hermes，强行拉到 64K 会爆显存或降速至 ~7 tok/s
Q4_K_M vs Q4_0 选哪个？	Q4_K_M 质量稍高（通用版），Q4_0 体积略小（Coder 版）
为什么 100K 通用版比 90K 慢很多？	100K 触发 KV Cache 超出安全线，导致 2 层被卸载到 CPU；90K 刚好全在 GPU

实测速度对比

模型	上下文	速度	层分布
`qwen35:90k`	90K	~88 tok/s	33/33 全GPU
`qwen35:100k`	100K	~46 tok/s	31/33 GPU
`qwen35-coder:100k`	100K	~95 tok/s	34/34 全GPU
`qwen35:128k`	128K	~19 tok/s	25/33 GPU
`qwen3-8b:q4`	40K	~7 tok/s	部分CPU

五、未来扩展测试流程

如果需要测试新模型或调整上下文参数，按以下步骤操作：

# 1. 将新的 .gguf 文件放入 D:\Tools\models\
# 2. 创建测试模型（以 80K 上下文为例）
echo FROM ./新模型.gguf > Modelfile.txt && echo PARAMETER num_ctx 81920 >> Modelfile.txt && ollama create test-model -f Modelfile.txt
# 3. 运行并观察显存占用（打开任务管理器查看"专用 GPU 内存"）
ollama run test-model
# 4. 如果满意，重命名保留；如果不满意，删除
ollama rm test-model

测试判断标准

显存占用	状态	结论
≤ 6.5 GB	全GPU	✅ 速度理想，推荐
6.5 ~ 7.0 GB	少量CPU卸载	⚠️ 速度可接受
≥ 7.0 GB	大量CPU卸载	❌ 速度显著下降，不推荐

六、常用上下文换算表

中文描述	Token 数值	计算方式
64K	65536	64 × 1024
80K	81920	80 × 1024
90K	92160	90 × 1024
100K	102400	100 × 1024
128K	131072	128 × 1024
256K	262144	256 × 1024

七、一句话总结

qwen35:90k（通用） + qwen35-coder:100k（编程） + bge-m3:q8（检索） = 8GB 显卡上 Hermes 智能体的最优解。

作者：Feng

链接：https://www.80boy.fun/2026/07/25/hermes本地llm部署实测/

文章版权归作者所有，未经允许请勿转载。