# Как запустить новую открытую модель Meta локально и сравнить её с DeepSeek и Qwen

> AI Release · @ai_release1 · https://ai-release.org/guides/kak-zapustit-novuyu-otkrytuyu-model-meta-lokalno-i-srav.html

Вы хотите запустить новую открытую модель от Meta на своём компьютере и понять, чем она отличается от DeepSeek и Qwen. Это руководство поможет вам установить модель локально, не отправляя данные в облако, и провести честное сравнение трёх ИИ-ассистентов на одинаковых задачах. Подойдёт для Windows, macOS и Linux — главное, чтобы у вас было достаточно оперативной памяти и свободного места на диске. Если вы никогда не запускали нейросети локально, начните с [этого гайда для начинающих](https://ai-release.org/guides/kak-zapustit-ii-model-lokalno-na-svoem-kompyutere-gayd.html?utm_source=tg&utm_medium=channel&utm_campaign=guide_inline&utm_content=guide_to_guide).

## Требования и подготовка
![Иллюстрация к разделу «Требования и подготовка»](https://ai-release.org/guides/img/kak-zapustit-novuyu-otkrytuyu-model-meta-lokalno-i-srav-ru-1.jpg)


- **Операционная система:** Windows 10/11, macOS 12 Monterey или новее, Linux (Ubuntu 20.04+).
- **Оперативная память:** минимум 8 ГБ, рекомендуется 16 ГБ и выше — модели занимают память целиком.
- **Свободное место на диске:** от 10 ГБ для одной модели (зависит от размера).
- **Инструмент для запуска:** Ollama (бесплатная программа, ставится одной командой) или LM Studio с графическим интерфейсом.
- **Доступ к интернету:** чтобы скачать модель с Hugging Face или из библиотеки Ollama.
- **Базовые навыки работы с терминалом:** уметь вводить команды и видеть результат.

**Пример:** в Ubuntu 22.04 установка Ollama занимает одну команду:
```bash
curl -fsSL https://ollama.com/install.sh | sh
```
После этого команда `ollama --version` покажет версию, например `ollama version 0.5.7`. Это значит, что инструмент готов к работе.

## Пошаговая инструкция
![Иллюстрация к разделу «Пошаговая инструкция»](https://ai-release.org/guides/img/kak-zapustit-novuyu-otkrytuyu-model-meta-lokalno-i-srav-ru-2.jpg)


1. **Установите Ollama.**  
   Скачайте установщик с официального сайта ollama.com и запустите его. На Windows и macOS это обычный установщик, на Linux — команда из примера выше.  
   **Ожидаемый результат:** в терминале команда `ollama --version` выводит номер версии без ошибок.  
   *Почему это работает:* Ollama — это менеджер локальных моделей, он сам скачивает нужные файлы и запускает их в фоне.

2. **Найдите точное имя новой открытой модели Meta.**  
   Откройте библиотеку моделей Ollama (ollama.com/library) или страницу модели на Hugging Face. Скопируйте название, например `llama3.2` или `meta-llama/Llama-3.2-3B`.  
   **Ожидаемый результат:** у вас есть строка вида `имя_модели:тег` (тег — это версия, например `latest` или `3b`).

3. **Скачайте модель Meta.**  
   Выполните в терминале:
   ```bash
   ollama pull имя_модели:тег
   ```
   **Пример:** если модель называется `llama3.2`, команда будет `ollama pull llama3.2`.  
   **Ожидаемый результат:** появляется прогресс-бар загрузки, в конце — сообщение `success`.  
   *Почему это работает:* Ollama скачивает файлы модели в свою папку и регистрирует её под указанным именем.

4. **Запустите модель и проверьте ответ.**  
   Введите:
   ```bash
   ollama run имя_модели:тег
   ```
   **Пример:** `ollama run llama3.2`. Появится приглашение `>>>`. Напишите `Привет! Расскажи о себе в двух предложениях` и нажмите Enter.  
   **Ожидаемый результат:** модель выдаёт осмысленный текст на русском или английском.  
   *Почему это работает:* вы запустили локальный сервер, который держит модель в памяти и отвечает на запросы.

5. **Скачайте и запустите DeepSeek и Qwen.**  
   Повторите шаги 3–4 для каждой модели. Найдите их имена в той же библиотеке.  
   **Пример:** `ollama pull deepseek-r1` и `ollama pull qwen2.5`. Затем `ollama run deepseek-r1` и `ollama run qwen2.5` по очереди.  
   **Ожидаемый результат:** все три модели отвечают на приветствие.  
   *Почему это работает:* Ollama хранит несколько моделей одновременно, переключаться между ними можно без перезагрузки.

6. **Проведите сравнение на одинаковых вопросах.**  
   Задайте каждой модели один и тот же набор из 3–5 промптов (запросов). Замерьте время ответа вручную (по секундомеру) или через встроенную статистику. Заполните таблицу.  
   **Пример вопросов:** «Напиши функцию на Python для сортировки списка», «Объясни, что такое RAG — когда нейросеть сначала ищет документы, а потом отвечает на их основе», «Придумай 3 идеи для стартапа в сфере образования».  
   **Ожидаемый результат:** у вас есть субъективная оценка (нравится/не нравится ответ) и примерное время генерации.  
   *Почему это работает:* вы сравниваете модели в одинаковых условиях, без влияния облачных серверов.

**Таблица сравнения (заполните своими наблюдениями):**

| Модель | Отличие | Цена |
|---|---|---|
| Meta (новая открытая) | Открытые веса, можно запустить локально, данные не уходят в облако | Бесплатно |
| DeepSeek | Открытые веса, часто сильна в коде и логических задачах | Бесплатно |
| Qwen | Открытые веса, поддержка многих языков, включая русский | Бесплатно |

Подробнее о различиях ассистентов читайте в [сравнении ChatGPT, Claude, Gemini, DeepSeek](https://ai-release.org/guides/sravnenie-ii-assistentov.html?utm_source=tg&utm_medium=channel&utm_campaign=guide_inline&utm_content=guide_to_guide).

## Возможные проблемы и решения
![Иллюстрация к разделу «Возможные проблемы и решения»](https://ai-release.org/guides/img/kak-zapustit-novuyu-otkrytuyu-model-meta-lokalno-i-srav-ru-3.jpg)


- **Ошибка `model not found` или `pull access denied`.**  
  *Симптом:* терминал пишет, что модель не найдена.  
  *Решение:* проверьте точное имя в библиотеке Ollama. Возможно, вы пропустили тег (например, `llama3.2:3b` вместо `llama3.2`). Скопируйте имя кнопкой «Copy» на сайте.

- **Модель загружается, но потом падает с `out of memory`.**  
  *Симптом:* после запуска появляется сообщение о нехватке памяти или компьютер начинает тормозить.  
  *Решение:* закройте лишние программы, выберите модель меньшего размера (с тегом `3b` или `7b` вместо `70b`). В Ollama можно ограничить память флагом `--num-gpu-layers 0` (только CPU), но это замедлит ответ.

- **Ответы генерируются очень медленно (меньше 1 токена в секунду).**  
  *Симптом:* модель думает над каждым словом несколько секунд.  
  *Решение:* проверьте, использует ли Ollama видеокарту. Команда `ollama ps` покажет загрузку GPU. Если GPU не задействован, установите драйверы CUDA (для NVIDIA) или Metal (для Mac). Также уменьшите размер модели.

## FAQ

**Можно ли запустить все три модели одновременно?**  
Да, если хватает оперативной памяти. Ollama держит модели в памяти по мере вызова. Но на слабом компьютере лучше запускать по одной и выгружать предыдущую командой `ollama stop имя_модели`.

**Нужна ли видеокарта для локального запуска?**  
Не обязательна, но с ней ответы в разы быстрее. На CPU модель тоже работает, только медленнее. Минимально достаточно 8 ГБ ОЗУ.

**Как понять, какая модель лучше, без сложных метрик?**  
Задайте одинаковые вопросы и оцените по трём критериям: правильность ответа, скорость и удобство формулировок. Для кода смотрите, компилируется ли предложенный код.

**Безопасно ли запускать такие модели локально?**  
Да, все данные остаются на вашем компьютере. Интернет нужен только для скачивания модели. После загрузки можно отключить сеть и продолжать работу.