如何在 Linux 上安装 LM Studio（完整指南）
安装 LM Studio Linux 让希望在本地运行开源 LLM 的用户能够在 Unix 系统上使用友好的界面。如果您希望在不依赖云服务的情况下测试模型权重并与之交互，本指南正适合您。我们将详细介绍在您偏好的 Linux 发行版上配置 LM Studio 所需的步骤。本文将涵盖安装、初始配置，以及如何通过这一界面使用一些目前最优秀的 LLM，例如 DeepSeek V4 Pro 1.6T 或 MiMo V2.5.
开始安装前的必要条件
在Linux上开始安装LM Studio之前，务必检查相关硬件和软件要求。LLM能否高效运行，很大程度上取决于您设备的性能。
推荐硬件： * CPU/内存： 建议使用至少 16 GB RAM 的现代系统来运行较小的模型（例如： Mistral Small 4，Q4 格式下需要约 72 GB，但如果 RAM 允许，可在 CPU 上运行）。对于像 DeepSeek V4 Pro 1.6T （Q4 所需显存约 960 GB），需要的内存容量要大得多。* 显卡（推荐）： GPU加速对于实现可接受的吞吐量（token/秒）至关重要。请确保您的NVIDIA或AMD驱动程序已正确安装并保持最新，同时检查其与CUDA或ROCm库的兼容性。
所需软件：
1. Linux 发行版： Ubuntu、Fedora、Arch 等。2. 包管理器： apt, dnf，或根据您的发行版选择同类工具。3. 稳定的网络连接。
建议始终查阅官方文档以获取最新版本的具体要求 官方网站。如需更深入地了解性能表现，请参阅我们的 LLM配置指南.
在Linux上安装LM Studio的方法
LM Studio 通常提供直接安装或通过第三方包管理器的安装方法，尽管对于高级 Linux 用户而言，手动安装往往更为可靠。
选项1：使用AppImage包（推荐）
在 Linux 下，使用 AppImage 文件通常是最简单、最通用的方法，因为它封装了所有必要的依赖项，从而避免系统库冲突。这是一种可移植的方案，不会修改系统的全局环境。
- 下载： 请访问 LM Studio 的官方网站并下载 Linux 版本（格式
.AppImage). - 权限说明： 打开终端，进入下载文件所在的目录。为该文件赋予执行权限：
bash chmod +x LM_Studio-*.AppImage - 运行方式： 通过双击文件或使用以下命令启动应用程序：
bash ./LM_Studio-*.AppImage
选项2：通过包管理器安装（若可用）
某些发行版在其软件仓库中维护 LM Studio。如果您使用的是主流发行版，请检查是否有可用的软件包，以便让安装更好地融入系统。请查阅社区指南或官方仓库 在 GitHub 上.
重要提示 : 以实现大模型的最佳性能，如 DeepSeek V4 Pro 1.6T，请确保您的硬件配置支持 VRAM 要求，因为 Q4 模型需要特定数量的显存才能有效加载。例如， GLM 5.2 753B-A40B 需要分配大量显存（Q4 量化下约 437 GB）。
在 LM Studio 中的LLM配置与使用方法
在 Linux 环境中启动 LM Studio 后，您就可以开始探索开放权重模型生态。您可以通过界面直接从内置目录下载、加载模型并向其提问，也可以导入本地 GGUF 文件。
模型下载与选择
LM Studio 让搜索模型更方便。您可以浏览数千个模型，这些模型均可在以下平台上找到： Hugging Face。选择模型时（例如， Inkling 或 MiMo V2.5 Pro), 界面将显示不同量化版本（Q4_K_M、Q8_0 等）。
- 量化： 量化（如 Q4）可减小文件大小并降低内存需求，代价是相较于 FP16 版本会有轻微的精度损失。例如， MiMo V2.5 Pro 提供 Q4 量化版本，估计占用约 595 GB https://quelllm.fr/modele/mimo-v25-pro.
- VRAM 与 RAM ： 如果您使用GPU，请优先选择针对该硬件优化的版本 将计算卸载到 GPU. 对于类似 Llama 3.1 405B Instruct，合理分配 GPU 显存与系统内存至关重要，有助于避免初始加载时速度变慢。
本地模型运行
下载完成后，进入 Chat 选项卡。在侧边栏中选择已加载的模型，即可开始交互。性能（token/秒）直接取决于您的硬件和所选的量化级别。对于需要较大上下文窗口的任务，请考察以下这类模型的能力： Llama 4 Maverick 400B 支持高达 $1\,000\,000$ 个 token 的上下文长度。
高级应用场景：代码与推理
对于开发者或研究人员，本地使用可实现数据的完全保密。如果您从事代码相关工作，测试 Kimi K2.7 Code 是评估本地推理能力的绝佳起点，其上下文窗口可容纳 $262\,144$ 个 token https://quelllm.fr/modele/kimi-k2-7-code。对于需要较大上下文容量的任务，请考察以下这类模型的能力： DeepSeek V4 Flash 0731 304B 在 Q4 下提供 $1\,048\,576$ 个令牌的上下文。
为比较不同架构的性能，建议您参考我们的 完整的LLM目录。您还可以进一步了解我们针对特定任务最佳模型的分析，具体可参阅 我们的使用对比评测.
Linux环境下的性能优化
在 Linux 上使用 LM Studio 的效率，与您配置 GPU 使用方式的方法密切相关。优化通常需要选择合适的模型，并在界面中正确配置这些模型。
- 驱动程序检查： 如果您使用 NVIDIA，请确保 CUDA 库已正确链接，且 LLM 进程能够访问这些库。可使用以下工具进行检查：
nvidia-smi推荐使用 参考 GPU 文档. - 模型层 GPU 卸载： 在 LM Studio 的设置中，设定最多将多少层卸载到 GPU 上运行。对于像 Mixtral 8x22B Instruct, 这可能会在纯CPU运行与GPU运行之间产生显著差异。
- 量化方式选择： 如果遇到内存不足（OOM - Out of Memory）问题，请将量化精度从Q5降级至Q4，甚至Q3（如果任务对精度要求不高）。为对比资源需求，可参考以下示例 Qwen 2.5 VL 72B 在 Q4 量化下占用约 42 GB 内存 https://quelllm.fr/modele/qwen25-vl-72b.
如需查看硬件需求的详细对比，请参阅我们的 LLM配置指南。如果您对某些特定模型感兴趣，例如 Qwen 3.5 122B-A10B, 请查看其专门页面了解详细规格 ici.
常见问题解答：在 Linux 上使用 LM Studio
Q：在中等硬件配置上开始使用 LM Studio 时，哪个模型最合适？
为了在无需高端显卡的情况下入门，我们推荐量化模型，例如 Mistral Medium 3.5 128B 或 Llama 4 Scout 109B。这些模型在能力与内存占用之间取得了良好的平衡，适合用来试用界面 LM Studio Linux.
问：如何确认 LM Studio 确实在使用我的 GPU？
您可以使用系统工具，例如 nvidia-smi (针对NVIDIA)或 radeontop。当您使用大型模型发起请求时，这些命令应显示较高的显存（VRAM）占用，从而确认 将计算卸载到 GPU 当前处于激活状态
Q：导入 LM Studio 的模型，其许可证是否始终得到遵守？
是。在使用任何模型前，必须检查其许可证。例如， DeepSeek V4 Pro 1.6T 采用 MIT 许可证，而其他模型的许可证可能需要特别留意，例如 Moonshot AI 的专用许可证，适用于 Kimi K2.5. 请参阅我们的 许可证索引.
Q：是否可以在没有专用 GPU 的情况下运行超大规模模型？
仅使用 CPU 在技术上可行，但对于参数超过数百亿的模型，生成速度（tokens/秒）会极为缓慢。若要在运行大型模型时获得可用的体验，例如 GLM 5.2 753B-A40B，最低 RAM 容量要求也很高。
Q：如何在不重新安装 LM Studio 的情况下切换版本？
只需下载 GGUF 文件的新版本（或完整模型），然后在 LM Studio 的模型加载界面中选择新文件。应用会管理文件的本地路径，因此可以轻松更新，无需完整重装。
结论：您在Linux系统上的本地LLM环境
成功安装 LM Studio Linux 您即可实现对开源模型权重的本地私有运行，无需依赖外部API。无论您是想尝试高级推理的 GLM 5.2 753B-A40B 或测试以下模型的效率： Qwen 3 VL 235B-A22B，本指南为您提供所需的技术步骤。如需进一步了解现有模型的能力，请参阅我们的 完整目录 并找到完全匹配你本地计算需求的 LLM。
本地运行 LLM 所需的硬件
要在本地流畅运行这些模型，一张 RTX 5070 Ti 提供出色的性价比。比较价格：
联盟推广链接——QuelLLM 可能会从购买中获得佣金，您无需支付额外费用。作为亚马逊联盟合作伙伴，QuelLLM 会从符合条件的购买中获得收益。