前面几篇博文，老牛同学和大家一起在个人电脑部署了Qwen2、GLM4、Llama3、ChatTTS和Stable Diffusion等 LLM 大模型，也通过 API 和 WebUI 的方式完成了体验。
但是这些大模型因为部署在个人电脑本地，不能够随时携带。如果能在手机上部署大模型的话，老牛同学感觉很有意义，手机与我们的生活更为密切相关，并且手机上也有大量的个人数据，与大模型交互起来也更加方便。同时，在手机上跑个大模型，还是很酷！
老牛同学期望能通过本文，和大家一起完成这项很酷且有意义的事情。老牛同学用的是小米 10 Pro手机，其配置参数如下：
选择 Phi-3 微软开源模型
受限于手机 CPU 和内存等硬件配置，我们要选择小语言模型（SLM）。其中，阿里开源了Qwen2-0.5B和Qwen2-1.5B两款小尺寸模型，微软了开源Phi-3 Mini（3.8B）和Phi-3 medium（14B）两款尺寸模型。
由于之前我们在笔记本部署了Qwen2-7B大模型，本次我们就在手机部署Phi-3 Mini模型，顺便也体验一下不同科技公司的大模型产品，其效果可以媲美GPT-3.5大模型：
Qwen2-7B本地部署：Qwen2 阿里最强开源大模型（Qwen2-7B）本地部署、API 调用和 WebUI 对话机器人
手机配置 Linux 环境（Termux 应用）
小米等安卓手机的基于 Linux 内核的操作系统，但是我们无法像在 Linux 那样执行 Linux 命令，因此我首先得配置一下 Linux 环境。
Termux是一个 Android 的终端模拟器，可以在 Android 设备上运行 Linux 命令和工具。Termux的 Android APP 可通过官网下载并安装：https://github.com/termux/termux-app/releases
当前官网的最新稳定版本：v0.118.1 - 2024-06-18 00.05
请根据手机情况，下载对应的 apk 文件。老牛同学下载的 apk 文件：termux-app_v0.118.1+github-debug_universal.apk
apk 安装成功后，打开Termux应用后，默认展示如下，就可以开始输入 Linux 命令了：
手机上安装 Linux 操作系统
首先，我们安装proot-distro系统管理工具，proot-distro可以非常方便在 Termux 中安装、卸载和运行Linux 的发行版本（包括：Ubuntu、Debian、Arch Linux 等）：
友情提示： 在手机中输入以下命令效率比较低，我们可以把命令发到微信，然后一条一条复制粘贴！
pkg install proot-distro
proot-distro 安装成功之后，我们安装Debian操作系统：
proot-distro install debian
最后，登录新安装的Debian操作系统：
proot-distro login debian
登录之后，自动启动了Shell命令行终端：root@localhost:~#
可以执行相关的 Linux 命令了：
通过 Termux 安装 Phi-3 模型
通过上面的操作，我们已经在手机上安装好了Debian操作系统，接下来在Debian操作系统中安装Phi-3 Mini模型。
第一步： 在Debian系统中安装Ollama软件，没错，就是之前在个人电脑部署Llama3、Qwen2等大模型时，用于管理本地大模型的Ollama软件。由于我们在手机上安装了Debian系统，那么和电脑一样，Ollama也可以管理Debian系统本地部署的大模型：
# 安装Ollama软件
curl -fsSL https://ollama.com/install.sh | sh
Ollama安装成功输出信息如下：
第二步： 通过后台启动Ollama服务：nohup ollama serve &
我们用Ollama命令，查看 Ollama 信息，如：
- 查看版本：
ollama -v - 查看本地模型列表：
ollama list（目前还没有部署模型，因此结果列表为空）
第三步： 通过Ollama安装并启动Phi-3 Mini模型：ollama run phi3:mini
Phi-3 Mini模型文件总大小为2.4GB左右，因此下载需要一点时间：
到此，Phi-3 Mini模型部署成功，我们可以体验手机上的大模型，比如：请用 100 个汉字解释一下，天空为什么是蓝色的？
总结
相比电脑端，手机的算力弱太多，就算老牛同学用的是最小尺寸的模型（Phi-3 Mini），其推理的速度还是慢得多。其内容的输出速度，比我手机打字都要慢。盯着屏幕，看着模型一个字一个字的输出，感觉也挺有趣 😁
目前 AI 是大热门，各大公司推出的大模型参数一个比一个大，能力一个比一个厉害。但大模型训练和推理成本均比较高昂，在很大程度上限制了其发展，因此大模型 AI 应用相对较少，或者说对我们生活影响还很小，因此其还有很大的发展空间。
而反观针对特定业务场景定制的小模型（比如Phi定制等），其成本就低得多，就能更有效地应用于各种垂直场景。
老牛同学觉得这种“小而美”的 AI 模型将会越来越多，也会越来越受欢迎！
关注本公众号，我们共同学习进步 👇🏻👇🏻👇🏻
Qwen2-7B 开源大模型
Qwen2 阿里最强开源大模型（Qwen2-7B）本地部署、API 调用和 WebUI 对话机器人
Llama-3-8B 开源大模型
玩转 AI，笔记本电脑安装属于自己的 Llama 3 8B 大模型和对话客户端
一文彻底整明白，基于 Ollama 工具的 LLM 大语言模型 Web 可视化对话机器人部署指南
基于 Llama 3 搭建中文版（Llama3-Chinese-Chat）大模型对话聊天机器人
GLM-4-9B 开源大模型
本地部署 GLM-4-9B 清华智谱开源大模型方法和对话效果体验
ChatTTS 文本转语音模型
ChatTTS 开源文本转语音模型本地部署、API 使用和搭建 WebUI 界面
Stable Diffusion 3 文生图模型
Stable Diffusion 3 文生图“开源英雄”大模型本地部署和使用教程，轻松实现 AI 绘图自由
大模型应用案例
借助 AI 大模型，三分钟原创一部儿童故事短视频（附完整操作步骤）
高效编写大模型 Prompt 提示词，解锁 AI 无限创意潜能
Python 小游戏
AI 已来，我与 AI 一起用 Python 编写了一个消消乐小游戏
Python 游戏编程：一步步用 Python 打造经典贪吃蛇小游戏
