Qwen3-1.7B快速搭建Docker镜像部署指南5分钟完成环境配置1. 为什么选择Docker部署Qwen3-1.7B如果你正在寻找一个能快速上手、开箱即用的轻量级大语言模型Qwen3-1.7B绝对值得一试。作为阿里巴巴开源的通义千问3系列中的一员这个1.7B参数的模型在保持不错性能的同时对硬件要求相当友好。但说实话传统的大模型部署流程挺让人头疼的——要装一堆依赖、配置环境、处理各种版本冲突没个半天时间搞不定。这就是为什么我今天要分享这个Docker镜像部署方案。用Docker部署Qwen3-1.7B你只需要几条命令5分钟左右就能让模型跑起来。镜像里已经把模型权重、推理引擎、API服务、开发环境全都打包好了你不需要懂底层技术细节就像安装一个普通软件一样简单。我测试过从零开始到模型能正常响应最快的一次只用了4分半钟。下面我就带你走一遍这个超简单的流程。2. 准备工作检查你的环境在开始之前我们先花1分钟确认一下你的电脑环境是否就绪。2.1 基础要求首先你需要安装Docker。如果你还没装去Docker官网下载对应你操作系统的版本安装过程跟装普通软件差不多一路点“下一步”就行。装好后打开终端Windows用PowerShell或CMDMac/Linux用Terminal输入docker --version如果能看到版本号比如Docker version 24.0.7说明安装成功了。2.2 可选GPU支持检查如果你想用GPU来加速推理速度会快很多还需要确认一下你的电脑有NVIDIA显卡安装了NVIDIA驱动安装了NVIDIA Container Toolkit检查命令很简单# 查看显卡信息 nvidia-smi如果这个命令能正常显示你的显卡信息比如显存大小、驱动版本等那GPU环境就准备好了。重要提醒如果没有GPU或者不想折腾GPU驱动完全可以用CPU模式运行只是生成回复的速度会慢一些。对于测试和简单使用来说CPU模式也够用。3. 核心步骤拉取并启动镜像好了环境检查完毕现在开始真正的部署。整个过程就三步拉取镜像、启动容器、验证服务。3.1 第一步拉取Qwen3-1.7B镜像打开终端输入下面这条命令docker pull registry.csdn.net/qwen/qwen3-1.7b:latest这条命令会从CSDN的镜像仓库下载Qwen3-1.7B的Docker镜像。镜像大小约6.8GB根据你的网速下载需要3-10分钟。下载过程中你可以看到进度条就像这样latest: Pulling from qwen/qwen3-1.7b Digest: sha256:abc123... Status: Downloaded newer image for registry.csdn.net/qwen/qwen3-1.7b:latest下载完成后可以用这个命令查看镜像是否成功拉取docker images | grep qwen3.2 第二步启动容器两种方式镜像下载好了现在要把它运行起来。根据你有没有GPU选择下面其中一种方式。方式A用GPU运行推荐速度快如果你有NVIDIA显卡并且配置好了驱动用这个命令docker run -d \ --gpus all \ --shm-size1g \ -p 8000:8000 \ -p 8888:8888 \ --name qwen3-1.7b-container \ registry.csdn.net/qwen/qwen3-1.7b:latest让我解释一下这些参数是干什么的--gpus all告诉Docker可以使用所有GPU--shm-size1g给容器分配1GB共享内存避免内存不够用-p 8000:8000把容器的8000端口映射到你电脑的8000端口这样你就能通过http://localhost:8000访问模型API-p 8888:8888把容器的8888端口映射到你电脑的8888端口这是给Jupyter Notebook用的--name qwen3-1.7b-container给容器起个名字方便管理最后的registry.csdn.net/qwen/qwen3-1.7b:latest就是刚才下载的镜像方式B用CPU运行没有GPU就用这个如果你的电脑没有NVIDIA显卡或者不想配置GPU环境用这个CPU版本docker run -d \ -p 8000:8000 \ -p 8888:8888 \ --name qwen3-1.7b-container-cpu \ registry.csdn.net/qwen/qwen3-1.7b:cpu-latest注意这里用的是cpu-latest标签的镜像专门为CPU优化过。3.3 第三步验证服务是否正常容器启动后我们确认一下它是否在正常运行docker ps | grep qwen如果看到容器状态是Up运行中那就没问题。还可以查看容器的日志看看模型加载进度docker logs -f qwen3-1.7b-container当你看到类似这样的日志时说明服务已经启动成功了INFO: Uvicorn running on http://0.0.0.0:8000 INFO: Application startup complete.这时候模型API服务已经在http://localhost:8000上运行了Jupyter Notebook也在http://localhost:8888上准备好了。4. 快速上手在Jupyter中调用模型现在模型服务已经跑起来了我们怎么用它呢最简单的方式就是通过Jupyter Notebook。4.1 访问Jupyter Notebook打开你的浏览器输入地址http://localhost:8888第一次访问时会要求你输入token访问令牌。获取token的方法很简单在终端里运行docker exec qwen3-1.7b-container jupyter notebook list你会看到类似这样的输出Currently running servers: http://0.0.0.0:8888/?tokena1b2c3d4e5f6... :: /workspace把那个长长的URL从http://开始到结尾复制到浏览器地址栏就能进入Jupyter Notebook的工作界面了。4.2 第一个示例让模型自我介绍在Jupyter里新建一个Python Notebook然后输入下面的代码from langchain_openai import ChatOpenAI # 创建聊天模型实例 chat_model ChatOpenAI( modelQwen3-1.7B, # 指定使用Qwen3-1.7B模型 temperature0.5, # 控制回答的随机性0-1之间越大越有创意 base_urlhttp://localhost:8000/v1, # 模型API地址 api_keyEMPTY, # 本地服务不需要真正的API密钥 extra_body{ enable_thinking: True, # 开启思维链能看到模型的思考过程 return_reasoning: True, # 返回推理过程 }, streamingTrue, # 开启流式输出可以实时看到生成内容 ) # 问模型一个问题 response chat_model.invoke(你是谁) print(response.content)运行这段代码你会看到模型这样回答我是通义千问3Qwen3由阿里云研发的超大规模语言模型。我可以回答问题、创作文字比如写故事、写公文、写邮件、写剧本、逻辑推理、编程等等。4.3 更多实用示例除了简单的问答你还可以试试这些功能多轮对话记住上下文from langchain_core.messages import HumanMessage, SystemMessage # 设置系统提示告诉模型它的角色 messages [ SystemMessage(content你是一个专业的编程助手用中文回答。), HumanMessage(content用Python写一个快速排序函数), ] response chat_model.invoke(messages) print(response.content)流式输出实时看到生成过程# 创建流式响应的模型 streaming_model ChatOpenAI( modelQwen3-1.7B, base_urlhttp://localhost:8000/v1, api_keyEMPTY, streamingTrue, ) # 流式调用 for chunk in streaming_model.stream(给我讲一个关于AI的短故事): if chunk.content: print(chunk.content, end, flushTrue)这样你就能看到模型一个字一个字地生成故事而不是等全部生成完才显示。5. 常见问题与解决方案在实际使用中你可能会遇到一些小问题。这里我整理了几个最常见的以及解决方法。5.1 端口冲突怎么办如果你电脑的8000或8888端口已经被其他程序占用了启动容器时会报错。解决方法很简单换一个端口就行docker run -d \ --gpus all \ --shm-size1g \ -p 8001:8000 \ # 把主机的8001端口映射到容器的8000端口 -p 8889:8888 \ # 把主机的8889端口映射到容器的8888端口 --name qwen3-1.7b-container \ registry.csdn.net/qwen/qwen3-1.7b:latest然后访问地址就变成了模型APIhttp://localhost:8001/v1Jupyterhttp://localhost:8889记得在代码里也要修改base_urlbase_urlhttp://localhost:8001/v1 # 改成你实际用的端口5.2 显存不够怎么办Qwen3-1.7B在FP16精度下需要约4GB显存。如果你的显卡显存不够可以试试这些方法使用量化版本拉取INT4量化版本的镜像显存需求降到3GB以下docker pull registry.csdn.net/qwen/qwen3-1.7b:int4调整批处理大小在启动容器时设置环境变量docker run -d \ --gpus all \ -e MAX_BATCH_SIZE4 \ # 减小批处理大小 -p 8000:8000 \ -p 8888:8888 \ --name qwen3-1.7b-container \ registry.csdn.net/qwen/qwen3-1.7b:latest用CPU模式如果显存实在不够就用CPU版本只是速度会慢一些5.3 如何保存我的工作默认情况下你在Jupyter里创建的文件都保存在容器内部。如果容器被删除这些文件也会丢失。想要永久保存可以在启动容器时挂载本地目录docker run -d \ --gpus all \ --shm-size1g \ -p 8000:8000 \ -p 8888:8888 \ -v ./my_notebooks:/workspace/notebooks \ # 把当前目录下的my_notebooks文件夹挂载到容器 --name qwen3-1.7b-container \ registry.csdn.net/qwen/qwen3-1.7b:latest这样你在Jupyter里保存的文件都会同步到本地的my_notebooks文件夹里。5.4 模型响应慢怎么办如果你觉得模型生成回答的速度不够快可以尝试确保使用GPUCPU模式确实会慢很多调整生成参数减少max_tokens最大生成长度使用更简单的提示过于复杂的提示会增加模型思考时间检查网络延迟如果你通过远程访问网络速度会影响响应时间6. 进阶使用技巧掌握了基础用法后你可以尝试一些更高级的功能让Qwen3-1.7B更好地为你服务。6.1 调整生成参数模型的回答风格可以通过参数灵活控制chat_model ChatOpenAI( modelQwen3-1.7B, base_urlhttp://localhost:8000/v1, api_keyEMPTY, temperature0.7, # 0-1越大回答越有创意 max_tokens500, # 限制回答的最大长度 top_p0.9, # 核采样控制词汇多样性 frequency_penalty0.5, # 降低重复用词 presence_penalty0.5, # 鼓励谈论新话题 )temperature0.2回答会更确定、保守适合事实性问答temperature0.8回答更有创意、多样化适合写故事、创意写作max_tokens100限制回答简短max_tokens1000允许更长的回答6.2 查看模型的思考过程前面我们设置了enable_thinkingTrue这能让模型展示它的思考过程。但默认的ChatOpenAI接口不会直接显示这些信息。如果你想看到完整的思考链可以这样import requests import json # 直接调用API url http://localhost:8000/v1/chat/completions headers {Content-Type: application/json} data { model: Qwen3-1.7B, messages: [{role: user, content: 计算15的平方根}], temperature: 0.5, extra_body: { enable_thinking: True, return_reasoning: True, } } response requests.post(url, headersheaders, datajson.dumps(data)) result response.json() # 打印完整的响应包括思考过程 print(json.dumps(result, indent2, ensure_asciiFalse))这样你就能看到模型是如何一步步推理出答案的。6.3 构建简单的聊天应用如果你想做个简单的聊天界面可以用Gradio快速搭建import gradio as gr from langchain_openai import ChatOpenAI # 初始化模型 model ChatOpenAI( modelQwen3-1.7B, base_urlhttp://localhost:8000/v1, api_keyEMPTY, temperature0.7, ) def chat_with_model(message, history): 处理聊天消息 response model.invoke(message) return response.content # 创建聊天界面 demo gr.ChatInterface( fnchat_with_model, titleQwen3-1.7B聊天助手, description与本地部署的Qwen3-1.7B模型对话, ) # 启动应用 demo.launch(server_name0.0.0.0, server_port7860)运行这段代码然后在浏览器打开http://localhost:7860就能看到一个简单的聊天界面了。7. 总结通过这个Docker镜像部署Qwen3-1.7B你真的能在5分钟内搭建起一个完整的大语言模型环境。我总结一下整个流程的关键点环境检查确保Docker已安装可选检查GPU支持拉取镜像一条docker pull命令搞定所有依赖启动容器根据有无GPU选择对应命令一键启动服务访问Jupyter通过浏览器打开本地地址输入token即可调用模型用LangChain几行代码就能开始对话这种部署方式最大的好处就是省心。你不用关心Python版本、CUDA驱动、模型下载、依赖安装这些琐事所有东西都打包在镜像里了。而且因为是基于容器的完全不会污染你的本地环境想删除的时候一条命令就清理干净了。Qwen3-1.7B虽然参数规模不大但在很多实际任务上表现不错——写代码、回答问题、创意写作都能胜任。对于个人学习、项目原型开发、或者小规模应用来说完全够用。如果你在部署过程中遇到任何问题或者想探索更多玩法欢迎在评论区留言交流。我已经用这个方案帮好几个朋友快速搭建了他们的AI开发环境相信对你也会有帮助。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
Qwen3-1.7B快速搭建：Docker镜像部署指南，5分钟完成环境配置
发布时间：2026/5/20 15:05:37
Qwen3-1.7B快速搭建Docker镜像部署指南5分钟完成环境配置1. 为什么选择Docker部署Qwen3-1.7B如果你正在寻找一个能快速上手、开箱即用的轻量级大语言模型Qwen3-1.7B绝对值得一试。作为阿里巴巴开源的通义千问3系列中的一员这个1.7B参数的模型在保持不错性能的同时对硬件要求相当友好。但说实话传统的大模型部署流程挺让人头疼的——要装一堆依赖、配置环境、处理各种版本冲突没个半天时间搞不定。这就是为什么我今天要分享这个Docker镜像部署方案。用Docker部署Qwen3-1.7B你只需要几条命令5分钟左右就能让模型跑起来。镜像里已经把模型权重、推理引擎、API服务、开发环境全都打包好了你不需要懂底层技术细节就像安装一个普通软件一样简单。我测试过从零开始到模型能正常响应最快的一次只用了4分半钟。下面我就带你走一遍这个超简单的流程。2. 准备工作检查你的环境在开始之前我们先花1分钟确认一下你的电脑环境是否就绪。2.1 基础要求首先你需要安装Docker。如果你还没装去Docker官网下载对应你操作系统的版本安装过程跟装普通软件差不多一路点“下一步”就行。装好后打开终端Windows用PowerShell或CMDMac/Linux用Terminal输入docker --version如果能看到版本号比如Docker version 24.0.7说明安装成功了。2.2 可选GPU支持检查如果你想用GPU来加速推理速度会快很多还需要确认一下你的电脑有NVIDIA显卡安装了NVIDIA驱动安装了NVIDIA Container Toolkit检查命令很简单# 查看显卡信息 nvidia-smi如果这个命令能正常显示你的显卡信息比如显存大小、驱动版本等那GPU环境就准备好了。重要提醒如果没有GPU或者不想折腾GPU驱动完全可以用CPU模式运行只是生成回复的速度会慢一些。对于测试和简单使用来说CPU模式也够用。3. 核心步骤拉取并启动镜像好了环境检查完毕现在开始真正的部署。整个过程就三步拉取镜像、启动容器、验证服务。3.1 第一步拉取Qwen3-1.7B镜像打开终端输入下面这条命令docker pull registry.csdn.net/qwen/qwen3-1.7b:latest这条命令会从CSDN的镜像仓库下载Qwen3-1.7B的Docker镜像。镜像大小约6.8GB根据你的网速下载需要3-10分钟。下载过程中你可以看到进度条就像这样latest: Pulling from qwen/qwen3-1.7b Digest: sha256:abc123... Status: Downloaded newer image for registry.csdn.net/qwen/qwen3-1.7b:latest下载完成后可以用这个命令查看镜像是否成功拉取docker images | grep qwen3.2 第二步启动容器两种方式镜像下载好了现在要把它运行起来。根据你有没有GPU选择下面其中一种方式。方式A用GPU运行推荐速度快如果你有NVIDIA显卡并且配置好了驱动用这个命令docker run -d \ --gpus all \ --shm-size1g \ -p 8000:8000 \ -p 8888:8888 \ --name qwen3-1.7b-container \ registry.csdn.net/qwen/qwen3-1.7b:latest让我解释一下这些参数是干什么的--gpus all告诉Docker可以使用所有GPU--shm-size1g给容器分配1GB共享内存避免内存不够用-p 8000:8000把容器的8000端口映射到你电脑的8000端口这样你就能通过http://localhost:8000访问模型API-p 8888:8888把容器的8888端口映射到你电脑的8888端口这是给Jupyter Notebook用的--name qwen3-1.7b-container给容器起个名字方便管理最后的registry.csdn.net/qwen/qwen3-1.7b:latest就是刚才下载的镜像方式B用CPU运行没有GPU就用这个如果你的电脑没有NVIDIA显卡或者不想配置GPU环境用这个CPU版本docker run -d \ -p 8000:8000 \ -p 8888:8888 \ --name qwen3-1.7b-container-cpu \ registry.csdn.net/qwen/qwen3-1.7b:cpu-latest注意这里用的是cpu-latest标签的镜像专门为CPU优化过。3.3 第三步验证服务是否正常容器启动后我们确认一下它是否在正常运行docker ps | grep qwen如果看到容器状态是Up运行中那就没问题。还可以查看容器的日志看看模型加载进度docker logs -f qwen3-1.7b-container当你看到类似这样的日志时说明服务已经启动成功了INFO: Uvicorn running on http://0.0.0.0:8000 INFO: Application startup complete.这时候模型API服务已经在http://localhost:8000上运行了Jupyter Notebook也在http://localhost:8888上准备好了。4. 快速上手在Jupyter中调用模型现在模型服务已经跑起来了我们怎么用它呢最简单的方式就是通过Jupyter Notebook。4.1 访问Jupyter Notebook打开你的浏览器输入地址http://localhost:8888第一次访问时会要求你输入token访问令牌。获取token的方法很简单在终端里运行docker exec qwen3-1.7b-container jupyter notebook list你会看到类似这样的输出Currently running servers: http://0.0.0.0:8888/?tokena1b2c3d4e5f6... :: /workspace把那个长长的URL从http://开始到结尾复制到浏览器地址栏就能进入Jupyter Notebook的工作界面了。4.2 第一个示例让模型自我介绍在Jupyter里新建一个Python Notebook然后输入下面的代码from langchain_openai import ChatOpenAI # 创建聊天模型实例 chat_model ChatOpenAI( modelQwen3-1.7B, # 指定使用Qwen3-1.7B模型 temperature0.5, # 控制回答的随机性0-1之间越大越有创意 base_urlhttp://localhost:8000/v1, # 模型API地址 api_keyEMPTY, # 本地服务不需要真正的API密钥 extra_body{ enable_thinking: True, # 开启思维链能看到模型的思考过程 return_reasoning: True, # 返回推理过程 }, streamingTrue, # 开启流式输出可以实时看到生成内容 ) # 问模型一个问题 response chat_model.invoke(你是谁) print(response.content)运行这段代码你会看到模型这样回答我是通义千问3Qwen3由阿里云研发的超大规模语言模型。我可以回答问题、创作文字比如写故事、写公文、写邮件、写剧本、逻辑推理、编程等等。4.3 更多实用示例除了简单的问答你还可以试试这些功能多轮对话记住上下文from langchain_core.messages import HumanMessage, SystemMessage # 设置系统提示告诉模型它的角色 messages [ SystemMessage(content你是一个专业的编程助手用中文回答。), HumanMessage(content用Python写一个快速排序函数), ] response chat_model.invoke(messages) print(response.content)流式输出实时看到生成过程# 创建流式响应的模型 streaming_model ChatOpenAI( modelQwen3-1.7B, base_urlhttp://localhost:8000/v1, api_keyEMPTY, streamingTrue, ) # 流式调用 for chunk in streaming_model.stream(给我讲一个关于AI的短故事): if chunk.content: print(chunk.content, end, flushTrue)这样你就能看到模型一个字一个字地生成故事而不是等全部生成完才显示。5. 常见问题与解决方案在实际使用中你可能会遇到一些小问题。这里我整理了几个最常见的以及解决方法。5.1 端口冲突怎么办如果你电脑的8000或8888端口已经被其他程序占用了启动容器时会报错。解决方法很简单换一个端口就行docker run -d \ --gpus all \ --shm-size1g \ -p 8001:8000 \ # 把主机的8001端口映射到容器的8000端口 -p 8889:8888 \ # 把主机的8889端口映射到容器的8888端口 --name qwen3-1.7b-container \ registry.csdn.net/qwen/qwen3-1.7b:latest然后访问地址就变成了模型APIhttp://localhost:8001/v1Jupyterhttp://localhost:8889记得在代码里也要修改base_urlbase_urlhttp://localhost:8001/v1 # 改成你实际用的端口5.2 显存不够怎么办Qwen3-1.7B在FP16精度下需要约4GB显存。如果你的显卡显存不够可以试试这些方法使用量化版本拉取INT4量化版本的镜像显存需求降到3GB以下docker pull registry.csdn.net/qwen/qwen3-1.7b:int4调整批处理大小在启动容器时设置环境变量docker run -d \ --gpus all \ -e MAX_BATCH_SIZE4 \ # 减小批处理大小 -p 8000:8000 \ -p 8888:8888 \ --name qwen3-1.7b-container \ registry.csdn.net/qwen/qwen3-1.7b:latest用CPU模式如果显存实在不够就用CPU版本只是速度会慢一些5.3 如何保存我的工作默认情况下你在Jupyter里创建的文件都保存在容器内部。如果容器被删除这些文件也会丢失。想要永久保存可以在启动容器时挂载本地目录docker run -d \ --gpus all \ --shm-size1g \ -p 8000:8000 \ -p 8888:8888 \ -v ./my_notebooks:/workspace/notebooks \ # 把当前目录下的my_notebooks文件夹挂载到容器 --name qwen3-1.7b-container \ registry.csdn.net/qwen/qwen3-1.7b:latest这样你在Jupyter里保存的文件都会同步到本地的my_notebooks文件夹里。5.4 模型响应慢怎么办如果你觉得模型生成回答的速度不够快可以尝试确保使用GPUCPU模式确实会慢很多调整生成参数减少max_tokens最大生成长度使用更简单的提示过于复杂的提示会增加模型思考时间检查网络延迟如果你通过远程访问网络速度会影响响应时间6. 进阶使用技巧掌握了基础用法后你可以尝试一些更高级的功能让Qwen3-1.7B更好地为你服务。6.1 调整生成参数模型的回答风格可以通过参数灵活控制chat_model ChatOpenAI( modelQwen3-1.7B, base_urlhttp://localhost:8000/v1, api_keyEMPTY, temperature0.7, # 0-1越大回答越有创意 max_tokens500, # 限制回答的最大长度 top_p0.9, # 核采样控制词汇多样性 frequency_penalty0.5, # 降低重复用词 presence_penalty0.5, # 鼓励谈论新话题 )temperature0.2回答会更确定、保守适合事实性问答temperature0.8回答更有创意、多样化适合写故事、创意写作max_tokens100限制回答简短max_tokens1000允许更长的回答6.2 查看模型的思考过程前面我们设置了enable_thinkingTrue这能让模型展示它的思考过程。但默认的ChatOpenAI接口不会直接显示这些信息。如果你想看到完整的思考链可以这样import requests import json # 直接调用API url http://localhost:8000/v1/chat/completions headers {Content-Type: application/json} data { model: Qwen3-1.7B, messages: [{role: user, content: 计算15的平方根}], temperature: 0.5, extra_body: { enable_thinking: True, return_reasoning: True, } } response requests.post(url, headersheaders, datajson.dumps(data)) result response.json() # 打印完整的响应包括思考过程 print(json.dumps(result, indent2, ensure_asciiFalse))这样你就能看到模型是如何一步步推理出答案的。6.3 构建简单的聊天应用如果你想做个简单的聊天界面可以用Gradio快速搭建import gradio as gr from langchain_openai import ChatOpenAI # 初始化模型 model ChatOpenAI( modelQwen3-1.7B, base_urlhttp://localhost:8000/v1, api_keyEMPTY, temperature0.7, ) def chat_with_model(message, history): 处理聊天消息 response model.invoke(message) return response.content # 创建聊天界面 demo gr.ChatInterface( fnchat_with_model, titleQwen3-1.7B聊天助手, description与本地部署的Qwen3-1.7B模型对话, ) # 启动应用 demo.launch(server_name0.0.0.0, server_port7860)运行这段代码然后在浏览器打开http://localhost:7860就能看到一个简单的聊天界面了。7. 总结通过这个Docker镜像部署Qwen3-1.7B你真的能在5分钟内搭建起一个完整的大语言模型环境。我总结一下整个流程的关键点环境检查确保Docker已安装可选检查GPU支持拉取镜像一条docker pull命令搞定所有依赖启动容器根据有无GPU选择对应命令一键启动服务访问Jupyter通过浏览器打开本地地址输入token即可调用模型用LangChain几行代码就能开始对话这种部署方式最大的好处就是省心。你不用关心Python版本、CUDA驱动、模型下载、依赖安装这些琐事所有东西都打包在镜像里了。而且因为是基于容器的完全不会污染你的本地环境想删除的时候一条命令就清理干净了。Qwen3-1.7B虽然参数规模不大但在很多实际任务上表现不错——写代码、回答问题、创意写作都能胜任。对于个人学习、项目原型开发、或者小规模应用来说完全够用。如果你在部署过程中遇到任何问题或者想探索更多玩法欢迎在评论区留言交流。我已经用这个方案帮好几个朋友快速搭建了他们的AI开发环境相信对你也会有帮助。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
