本地部署厂商地图（国产 / 美国 / 欧洲）

能不能"本地跑"，取决于权重是否放出来——与厂商名气无关。本文按产地分三栏，横向对照各家官网、权重渠道、许可与本地部署路径；具体运行器与量化档位见 Ollama vs LM Studio 与 GGUF 量化与显存。

先分清两件事

	开源权重（真本地）	桌面端客户端（伪本地）
例子	Llama / Qwen / DeepSeek / Gemma / Mistral	ChatGPT 桌面端、Claude 桌面端
推理在哪	你自己的机器（显卡/内存说了算）	厂商云端，界面只是入口
断网可用	可以	不行
数据去向	不出本机	上传云端

例子：Llama / Qwen / DeepSeek / Gemma / Mistral·ChatGPT 桌面端、Claude 桌面端

推理在哪：你自己的机器（显卡/内存说了算）·厂商云端，界面只是入口

断网可用：可以·不行

数据去向：不出本机·上传云端

⚠️ 避坑：判断"能不能本地部署"只看一条——权重能不能下载。装了桌面客户端不等于本地推理，隐私与离线能力完全是两回事。

通用工具层（三地通用）

运行器：Ollama（最省事，一条命令 + OpenAI 兼容 API）、LM Studio（图形界面，新手友好）、llama.cpp（极致量化与性能控制）、vLLM（多用户生产环境）。
桌面聊天前端：Jan、Open WebUI（浏览器界面，可多用户）、Atomic Chat 等，多数直接对接上面的运行器。
权重来源：Hugging Face 组织页是主渠道，国内访问见 HF 与国内镜像；下载加速与校验见下载加速与续传。
硬件门槛：量化后的 7B–30B 级模型，消费级显卡或 16 GB 以上内存可跑；千亿级 MoE 通常要多卡或大内存工作站，显存账见显存与量化进阶。

一、国产（权重开放度与下载量领先）

厂商	代表系列	官网 / 权重	许可	本地路径
DeepSeek 深度求索	V 系列、R1 蒸馏版	deepseek.com · HF deepseek-ai	MIT	Ollama 一条命令、LM Studio、vLLM 均可
阿里 Qwen 通义千问	全尺寸稠密 + 多模态	qwenlm.github.io · HF Qwen	Apache 2.0（中小尺寸为主）	Ollama / LM Studio / vLLM 全支持
月之暗面 Kimi	K 系列（长上下文见长）	moonshot.cn	部分开放	Ollama 与社区工具
智谱 GLM	GLM 系列	zhipuai.cn · z.ai	MIT	Ollama 与主流工具，国产硬件有适配
MiniMax	多模态与编码	minimax.io	部分开放	社区工具；开放面小于 DeepSeek/Qwen
小米 MiMo	路由/编码流量表现突出	小米开源页	开放选项	社区工具
腾讯混元 / 百度 ERNIE / 字节豆包	各自旗舰	各自官网	部分开源，旗舰仍以云端优先	视具体型号

DeepSeek 深度求索：V 系列、R1 蒸馏版·deepseek.com · HF deepseek-ai·MIT·Ollama 一条命令、LM Studio、vLLM 均可

阿里 Qwen 通义千问：全尺寸稠密 + 多模态·qwenlm.github.io · HF Qwen·Apache 2.0（中小尺寸为主）·Ollama / LM Studio / vLLM 全支持

月之暗面 Kimi：K 系列（长上下文见长）·moonshot.cn·部分开放·Ollama 与社区工具

智谱 GLM：GLM 系列·zhipuai.cn · z.ai·MIT·Ollama 与主流工具，国产硬件有适配

MiniMax：多模态与编码·minimax.io·部分开放·社区工具；开放面小于 DeepSeek/Qwen

小米 MiMo：路由/编码流量表现突出·小米开源页·开放选项·社区工具

腾讯混元 / 百度 ERNIE / 字节豆包：各自旗舰·各自官网·部分开源，旗舰仍以云端优先·视具体型号

社区共识：成本、中文能力、本地可控性是国产开源的三张牌，Ollama 库覆盖也比较完整。想少折腾就选 DeepSeek 或 Qwen——教程、量化版本、微调工具适配最全。

二、美国（工具链最成熟）

厂商	代表系列	官网 / 权重	许可	本地路径
Meta	Llama 系列（含多模态、长上下文变体）	llama.com · HF meta-llama	社区许可（需接受条款）	Ollama / LM Studio / llama.cpp / Transformers
Google	Gemma 系列（含轻量边缘版）	ai.google.dev/gemma · HF google	Apache 2.0 类	Ollama 一键；LiteRT 亦兼容
Microsoft	Phi 系列（小模型）	microsoft.com · HF	MIT 类	Ollama / LM Studio，低配友好
Nvidia	Nemotron 系列	nvidia.com	开放权重	TensorRT-LLM / vLLM 优化，Ollama 亦支持
其他	Thinking Machines「Inkling」、Arcee、Poolside	各自渠道	差异较大	HF + 主流工具
OpenAI / Anthropic	gpt-oss 等有限开源 / 桌面端	—	有限	OpenAI 有少量开源尝试；两家桌面端仍依赖云端

Meta：Llama 系列（含多模态、长上下文变体）·llama.com · HF meta-llama·社区许可（需接受条款）·Ollama / LM Studio / llama.cpp / Transformers

Google：Gemma 系列（含轻量边缘版）·ai.google.dev/gemma · HF google·Apache 2.0 类·Ollama 一键；LiteRT 亦兼容

Microsoft：Phi 系列（小模型）·microsoft.com · HF·MIT 类·Ollama / LM Studio，低配友好

Nvidia：Nemotron 系列·nvidia.com·开放权重·TensorRT-LLM / vLLM 优化，Ollama 亦支持

其他：Thinking Machines「Inkling」、Arcee、Poolside·各自渠道·差异较大·HF + 主流工具

OpenAI / Anthropic：gpt-oss 等有限开源 / 桌面端·—·有限·OpenAI 有少量开源尝试；两家桌面端仍依赖云端

社区共识：生态最成熟——教程、量化、微调几乎都优先适配 Llama 系；但旗舰更新节奏放缓，部分开发者转向性能更高的国产开源。Nvidia 的优势与自家硬件强绑定，适合已有卡的高吞吐场景。

三、欧洲（主权与合规为卖点）

厂商	代表系列	官网	定位
Mistral AI	Mistral / Ministral 系列	mistral.ai · HF mistralai	欧洲开源旗舰：Apache 2.0、效率高、小模型边缘友好
Aleph Alpha	Pharia 系列	aleph-alpha.com	德国主权 AI，on-prem 与受监管行业；公开消费级权重少
LightOn	文档与主权模型	lighton.ai	支持本地与气隙（air-gapped）部署
Kyutai	语音与文本	kyutai.org	研究导向的开源尝试

Mistral AI：Mistral / Ministral 系列·mistral.ai · HF mistralai·欧洲开源旗舰：Apache 2.0、效率高、小模型边缘友好

Aleph Alpha：Pharia 系列·aleph-alpha.com·德国主权 AI，on-prem 与受监管行业；公开消费级权重少

LightOn：文档与主权模型·lighton.ai·支持本地与**气隙（air-gapped）**部署

Kyutai：语音与文本·kyutai.org·研究导向的开源尝试

欧洲整体规模小但方向清晰：数据主权 + GDPR 合规 + 欧盟境内基础设施。要进受监管行业、又不想用美中模型时，Mistral 是首选；普通开发者可先把它当"小尺寸高质量"选项用。

选型速查

你的诉求	先看谁
零折腾跑起来	DeepSeek / Qwen / Llama / Gemma / Mistral + Ollama 或 LM Studio
中文与性价比	DeepSeek、Qwen、GLM、Kimi
微调与衍生生态	Qwen、Llama
低配/边缘设备	Gemma 轻量版、Phi、Ministral
高吞吐本地服务	vLLM + Nvidia Nemotron / 大尺寸 Qwen
合规与数据主权	Mistral、Aleph Alpha

零折腾跑起来：DeepSeek / Qwen / Llama / Gemma / Mistral + Ollama 或 LM Studio

中文与性价比：DeepSeek、Qwen、GLM、Kimi

微调与衍生生态：Qwen、Llama

低配/边缘设备：Gemma 轻量版、Phi、Ministral

高吞吐本地服务：vLLM + Nvidia Nemotron / 大尺寸 Qwen

合规与数据主权：Mistral、Aleph Alpha

⚠️ 避坑：模型迭代极快——本文只给"渠道与定位"，具体版本号、上下文长度、许可细则一律以官方发布页为准，别拿旧文当版本表用。

⚠️ 避坑：同名系列的不同尺寸许可可能不同（如部分 Qwen 尺寸为 Apache 2.0、更大的另有条款），商用前逐个确认。

⚠️ 避坑：本地部署的第一道坎不是模型而是存储与显存：权重动辄数十 GB，默认下载目录常落在系统盘——先用 HF 与国内镜像与下载加速与续传把路径与下载搞定。