اجرای هوش مصنوعی روی کامپیوتر شخصی؛ راهنمای نصب مدل‌های آفلاین بدون کارت گرافیک نجومی

راهنمای عملی اجرای آفلاین مدل‌های Qwen 3.5، Gemma 4 و gpt-oss روی لپ‌تاپ و کامپیوتر خانگی با LM Studio و Ollama، همراه با راهنمای رم و بهینه‌سازی حافظه.

اجرای هوش مصنوعی روی کامپیوتر شخصی؛ راهنمای نصب مدل‌های آفلاین بدون کارت گرافیک نجومی

بله؛ شما می‌توانید همین امروز مغز یک مدل هوش مصنوعی پیشرفته سال ۲۰۲۶ را دانلود کنید و بدون اینترنت، بدون فیلترشکن و بدون پرداخت یک دلار، روی لپ‌تاپ یا کامپیوتر خانگی خودتان اجرا کنید. برای شروع حتی به کارت گرافیک‌های نجومی هم نیاز ندارید؛ یک لپ‌تاپ معمولی با ۸ تا ۱۶ گیگابایت رم برای اجرای روان نسل جدید مدل‌های سبک کافی است.

در این راهنمای عملی، بهترین مدل‌های آفلاین پاییز ۱۴۰۵ (۲۰۲۶) را به تفکیک رم و کارت گرافیک بررسی می‌کنیم، نصب قدم‌به‌قدم با دو ابزار رایگان LM Studio و Ollama را پیش می‌بریم و در پایان، یک فایل تنظیمات آماده برای بهینه‌سازی مصرف حافظه و پاسخ‌گویی فارسی در اختیارتان می‌گذاریم.

چه اتفاقی افتاد که کامپیوترهای خانگی حریف هوش مصنوعی شدند؟

تا یک سال پیش، اجرای مدل‌های هوش مصنوعی روی لپ‌تاپ بیشتر شبیه یک شوخی کند و پرخطا بود. یا باید مدل‌های کوچکی را تحمل می‌کردید که جملات فارسی را دست‌وپاشکسته می‌نوشتند، یا باید سراغ کارت‌های گرافیک چندصد میلیونی می‌رفتید.

در سال ۲۰۲۶ سه جهش فنی این معادله را به نفع کامپیوترهای شخصی عوض کرد:

  • معماری ترکیبی متخصصان (MoE) در مقیاس خانگی: در نسل جدید مدل‌های متن‌باز و وزن‌باز هوش مصنوعی، لازم نیست برای هر کلمه تمام شبکه عصبی روشن شود. برای نمونه، مدل Qwen3.5-35B-A3B دانش یک مدل ۳۵ میلیارد پارامتری را در خود دارد، اما هنگام تولید هر کلمه فقط ۳ میلیارد پارامتر را فعال می‌کند. مدل Gemma 4 26B-A4B گوگل هم با همین روش، از ۲۶ میلیارد پارامتر فقط ۴ میلیارد را در لحظه روشن نگه می‌دارد؛ همان منطقی که در معرفی GLM-5.3-Flash در مقیاس بزرگ‌تر دیدیم.
  • آموزش آگاه از فشرده‌سازی (QAT): قبلاً وقتی وزن‌های ۱۶ بیتی مدل را در قالب فرمت GGUF به اعداد ۴ بیتی (Q4_K_M) فشرده می‌کردند تا حجم فایل یک‌سوم شود، بخشی از دقت مدل از دست می‌رفت. امروز خانواده‌هایی مثل Gemma 4 و gpt-oss از همان مرحله آموزش برای کار در ۴ بیت (از جمله فرمت MXFP4) بهینه شده‌اند و با کمترین افت کیفیت روی رم‌های معمولی جا می‌شوند.
  • استدلال دوحالته (Hybrid Thinking): در خانواده Qwen 3، Qwen 3.5 و Qwen 3.8، شما تصمیم می‌گیرید مدل چه زمانی مثل یک انسان بلندبلند فکر کند و چه زمانی فوری جواب بدهد. برای یک ایمیل ساده حالت سریع را فعال می‌کنید تا باتری لپ‌تاپ مصرف نشود، و برای دیباگ کردن کد یا حل مسئله ریاضی، حالت تفکر گام‌به‌گام (<think>) را روشن می‌گذارید.

کامپیوتر شما چه مدلی را می‌کشد؟ (راهنمای انتخاب مدل در پاییز ۱۴۰۵)

در اجرای محلی، حافظه کارت گرافیک (VRAM) و رم سیستم (RAM) تعیین می‌کنند چه مدلی روی سیستم شما باز می‌شود. اگر کل مدل داخل حافظه کارت گرافیک جا شود، سرعت تایپ کلمات فوق‌العاده بالا خواهد بود؛ اگر بخشی از آن به رم معمولی سیستم سرریز شود، مدل باز هم کار می‌کند اما سرعتش کمتر می‌شود.

بر اساس مشخصات سیستم خودتان، بهترین مدل‌های پاییز ۱۴۰۵ (۲۰۲۶) را از فهرست زیر انتخاب کنید:

رده ۱ — لپ‌تاپ‌های اداری و دانشجویی (۸ تا ۱۶ گیگابایت رم، بدون کارت گرافیک مجزا)

اگر لپ‌تاپ شما کارت گرافیک مجزای انویدیا ندارد و فقط به پردازنده مرکزی (مثل Core i5/i7 یا Ryzen 5) متکی است، سراغ این چهار مدل بروید:

  • مدل Gemma 4 E2B (نسخه ۲.۳ میلیارد پارامتری گوگل): فقط به ۱.۵ تا ۲.۳ گیگابایت حافظه نیاز دارد. روی ضعیف‌ترین لپ‌تاپ‌ها هم بدون داغ کردن فن اجرا می‌شود و برای خلاصه‌سازی و بازنویسی متن‌های کوتاه عالی است.
  • مدل Gemma 4 E4B (نسخه ۴.۵ میلیارد پارامتری): به لطف فناوری جاسازی لایه‌ای (Per-Layer Embeddings)، با اشغال حدود ۳.۵ گیگابایت رم، کیفیتی فراتر از مدل‌های ۷ میلیاردی قدیمی تحویل می‌دهد.
  • مدل Qwen3.5-4B (از علی‌بابا): حدود ۳.۵ گیگابایت رم مصرف می‌کند، از ۲۰۱ زبان زنده از جمله فارسی پشتیبانی می‌کند و حتی قابلیت دیدن و تحلیل تصویر را هم در همین حجم کم دارد.
  • مدل Phi-4-mini-reasoning (نسخه ۳.۸ میلیاردی مایکروسافت): حدود ۳ گیگابایت رم می‌خواهد و برای حل مسائل منطقی، ریاضی و کدنویسی سبک روی سیستم‌های ضعیف ساخته شده است.

رده ۲ — کامپیوترهای میان‌رده و لپ‌تاپ‌های گیمینگ (کارت گرافیک ۸ تا ۱۲ گیگابایت مثل RTX 3060، 4060 یا 5060)

این رده، نقطه طلایی اجرای هوش مصنوعی خانگی است. با ۸ تا ۱۲ گیگابایت VRAM، سرعت تولید پاسخ به ۳۵ تا ۶۵ توکن در ثانیه می‌رسد؛ یعنی سریع‌تر از سرعتی که چشمان شما متن را می‌خواند:

  • مدل Qwen3.5-9B (پیشنهاد اول برای زبان فارسی): در نسخه ۴ بیتی حدود ۶.۵ گیگابایت حافظه گرافیک می‌خواهد. این مدل چندوجهی است (متن و تصویر را هم‌زمان می‌فهمد)، فارسی را روان و طبیعی می‌نویسد و روی یک کارت گرافیک ۸ گیگابایتی کاملاً جا می‌شود.
  • مدل Gemma 4 12B: شاهکار میان‌رده گوگل که در نسخه ۴ بیتی حدود ۷.۵ تا ۸ گیگابایت VRAM نیاز دارد. این مدل علاوه بر متن و تصویر، ورودی صوتی بومی را هم می‌فهمد و روی لپ‌تاپ‌های گیمینگ ۱۲ گیگابایتی یا مک‌بوک‌های ۱۶ گیگابایتی بی‌رقیب است.
  • مدل Phi-4-reasoning (نسخه ۱۴ میلیارد پارامتری): با نیاز به حدود ۹ گیگابایت حافظه در حالت ۴ بیتی، در استدلال علمی و ریاضی با مدل‌های چند برابر بزرگ‌تر از خودش رقابت می‌کند.
  • مدل DeepSeek-R1-Distill (نسخه 8B و 14B): گزینه‌ای محبوب برای کسانی که می‌خواهند زنجیره استدلال گام‌به‌گام مدل را پیش از دریافت پاسخ نهایی روی صفحه ببینند.

رده ۳ — سیستم‌های حرفه‌ای و ایستگاه‌های کاری (کارت گرافیک ۱۶ تا ۲۴ گیگابایت مثل RTX 4080، 3090 یا 4090)

اگر کارت گرافیک ۱۶ یا ۲۴ گیگابایتی دارید، عملاً یک دیتاسنتر کوچک زیر میز خودتان گذاشته‌اید و می‌توانید سنگین‌ترین مدل‌های تک‌کارته سال ۲۰۲۶ را اجرا کنید:

  • مدل Qwen3.8-27B (سلطان کارت‌های ۲۴ گیگابایتی در سال ۲۰۲۶): نسخه ۴ بیتی آن (q4_K_M) حدود ۱۸ گیگابایت از حافظه گرافیک را می‌گیرد و ۶ گیگابایت فضای خالی برای مکالمات طولانی باقی می‌گذارد. در استدلال چندمرحله‌ای، درک تصویر و زبان فارسی یکی از کامل‌ترین مدل‌های وزن‌باز جهان است.
  • مدل gpt-oss-20b (مدل وزن‌باز OpenAI): با فرمت فشرده MXFP4 تنها به ۱۲ تا ۱۶ گیگابایت VRAM نیاز دارد. اگر کار شما ساخت ایجنت، فراخوانی ابزار (Tool Calling) و استدلال دقیق متنی است، روی کارت‌های ۱۶ و ۲۴ گیگابایتی فوق‌العاده عمل می‌کند.
  • مدل‌های تخصصی کدنویسی Qwen3-Coder-30B و Devstral 24B: مدل Devstral از شرکت Mistral (با نیاز به حدود ۱۴ تا ۱۶ گیگابایت VRAM) و Qwen3-Coder (نسخه MoE با ۳۰ میلیارد پارامتر کل و ۳ میلیارد فعال) مشخصاً برای مهندسی نرم‌افزار، گشتن در فایل‌های پروژه و یادگیری برنامه‌نویسی با هوش مصنوعی بدون نیاز به سرور ابری ساخته شده‌اند.
  • مدل Gemma 4 26B-A4B و Gemma 4 31B: نسخه ۲۶ میلیاردی MoE حدود ۱۵ گیگابایت و نسخه پرچم‌دار ۳۱ میلیاردی متراکم حدود ۱۹ گیگابایت VRAM مصرف می‌کند.
  • مدل Llama 4 Scout (از متا): مدلی ۱۰۹ میلیارد پارامتری با ۱۶ متخصص که در هر درخواست ۱۷ میلیارد پارامتر را فعال می‌کند و نسخه فشرده آن روی کارت‌های ۲۴ گیگابایتی یا رم‌های بالا قابل اجراست.

رده ویژه — مک‌بوک‌ها و مک‌استودیوهای اپل (سری M1 تا M4)

لپ‌تاپ‌ها و کامپیوترهای اپل به دلیل معماری حافظه یکپارچه (Unified Memory)، برگ برنده اجرای آفلاین هستند. در ویندوز، رم سیستم از رم کارت گرافیک جداست؛ اما در مک، پردازنده گرافیکی مستقیماً به کل رم دستگاه دسترسی دارد.

نتیجه ساده است: یک مک‌بوک پرو با ۳۲ یا ۳۶ گیگابایت رم، می‌تواند مدل‌های سنگینی مثل Qwen3.8-27B، Gemma 4 31B یا Qwen3.5-35B-A3B را که در دنیای PC نیازمند کارت گرافیک گران‌قیمت RTX 4090 هستند، به‌صورت بومی و با مصرف برق زیر ۴۰ وات اجرا کند. اگر مک دارید، همیشه نسخه‌های بهینه‌شده با پسوند MLX (مثل qwen3.8:27b-mlx) را انتخاب کنید که تا ۳۰ درصد سریع‌تر از فرمت معمولی روی تراشه‌های اپل کار می‌کنند.

آموزش نصب و اجرا در ۱۰ دقیقه (بدون نیاز به کدنویسی)

برای اجرای این مدل‌ها نیازی به نصب پایتون یا درگیر شدن با خطاهای پیچیده ندارید. دو نرم‌افزار رایگان و استاندارد تمام کارها را برایتان انجام می‌دهند:

روش اول — نرم‌افزار LM Studio (بهترین گزینه برای محیط گرافیکی ویندوز و مک)

اگر محیطی شیک، فارسی‌پذیر و شبیه به چت‌بات‌های آنلاین می‌خواهید، از وب‌سایت رسمی LM Studio نسخه مناسب سیستم‌عامل خود را دانلود و نصب کنید:

۱. پس از باز کردن برنامه، از نوار سمت چپ روی آیکون ذره‌بین (Discover) کلیک کنید. ۲. در کادر جست‌وجو، نام مدل متناسب با سیستم خودتان را بنویسید؛ مثلاً Qwen3.5-9B-GGUF یا برای لپ‌تاپ‌های سبک Gemma-4-E4B-GGUF. ۳. در ستون سمت راست، برنامه خودش سخت‌افزار شما را بررسی می‌کند و کنار نسخه‌ای که با رم و گرافیک شما سازگار است برچسب سبز Full GPU Offload یا Likely to fit می‌زند. همیشه نسخه Q4_K_M را دانلود کنید که بهترین تعادل را میان حجم و هوش مدل دارد. ۴. پس از پایان دانلود، وارد تب Chat شوید، از نوار بالا مدل دانلودشده را بارگذاری (Load) کنید و اینترنت خود را قطع کنید. چت‌بات آفلاین شما آماده است!

روش دوم — ابزار Ollama (سبک، سریع و محبوب برنامه‌نویسان)

اگر ترجیح می‌دهید هوش مصنوعی را با یک دستور کوتاه در ترمینال اجرا کنید یا آن را به ادیتور کدنویسی خودتان (مثل VS Code یا Cursor) وصل کنید، ابزار رایگان Ollama را نصب کنید.

پس از نصب، پنجره ترمینال (PowerShell در ویندوز یا Terminal در مک و لینوکس) را باز کنید و بسته به سخت‌افزارتان فقط یکی از دستورهای زیر را بزنید تا مدل به‌صورت خودکار دانلود و اجرا شود:

# برای لپ‌تاپ‌های معمولی و سبک (حدود ۳.۵ گیگابایت)
ollama run gemma4:e4b

# بهترین انتخاب میان‌رده با درک عالی فارسی و تصویر (حدود ۶.۵ گیگابایت)
ollama run qwen3.5:9b

# مدل وزن‌باز OpenAI برای سیستم‌های ۱۶ گیگابایت به بالا
ollama run gpt-oss:20b

# قدرتمندترین مدل تک‌کارته سال ۲۰۲۶ برای گرافیک ۲۴ گیگابایتی یا مک ۳۲ گیگابایتی
ollama run qwen3.8:27b

ابزار Ollama به شکل خودکار یک سرور محلی روی پورت http://localhost:11434 می‌سازد؛ یعنی هر نرم‌افزاری روی کامپیوتر شما می‌تواند بدون اینترنت از این مغز هوش مصنوعی استفاده کند.

تنظیمات طلایی: چطور یک دستیار فارسی بسازیم که رم سیستم را قفل نکند؟

یکی از مشکلاتی که کاربران در پاییز ۱۴۰۵ با آن روبه‌رو می‌شوند، پر شدن ناگهانی رم در مدل‌های جدید است. چرا؟ چون مدل‌هایی مثل Qwen 3.5 و Gemma 4 به‌صورت پیش‌فرض از پنجره زمینه (Context Window) غول‌پیکر ۲۵۶ هزار توکنی پشتیبانی می‌کنند. اگر نرم‌افزار بخواهد کل این ۲۵۶ هزار توکن را در حافظه موقت گفتگو (KV Cache) رزرو کند، حتی یک مدل ۸ گیگابایتی هم بیش از ۲۰ گیگابایت رم اضافی می‌بلعد و سیستم قفل می‌کند!

برای حل همیشگی این مشکل و تنظیم مدل برای پاسخ‌گویی دقیق فارسی، یک فایل متنی به نام Modelfile بسازید و کد زیر را دقیقاً داخل آن کپی کنید:

FROM qwen3.5:9b

# محدود کردن پنجره حافظه به ۱۶ هزار توکن برای جلوگیری از پر شدن رم و VRAM
PARAMETER num_ctx 16384

# تنظیم دمای خلاقیت برای پاسخ‌های دقیق و بدون توهم
PARAMETER temperature 0.6
PARAMETER top_p 0.9

# دستور سیستم برای فارسی‌نویسی روان و استاندارد
SYSTEM """
تو یک دستیار هوشمند، دقیق و فارسی‌زبان هستی که به‌صورت آفلاین روی کامپیوتر کاربر اجرا می‌شوی.
همیشه به زبان فارسی روان، طبیعی و با رعایت نیم‌فاصله پاسخ بده.
از عبارات کلیشه‌ای و ترجمه‌زده پرهیز کن، مستقیم سراغ اصل مطلب برو و کدها یا اصطلاحات فنی انگلیسی را داخل بک‌تیک قرار بده.
"""

حالا در همان پوشه، ترمینال را باز کنید و با دو دستور زیر، مدل سفارشی خودتان را بسازید و اجرا کنید:

ollama create hoosh-local -f Modelfile
ollama run hoosh-local

اگر از LM Studio استفاده می‌کنید، کافی است هنگام بارگذاری مدل، گزینه Context Length را از روی حداکثر بردارید و روی عدد 8192 یا 16384 قرار دهید و تیک Flash Attention را روشن کنید. همین یک تغییر ساده، مصرف رم را تا ۵۰ درصد کاهش می‌دهد.

۳ خطای رایج در اجرای آفلاین و راه‌حل فوری آن‌ها

  • خطای ۱ — سرعت تایپ کلمات ناگهان به ۱ یا ۲ کلمه در ثانیه سقوط می‌کند:
    • علت: حجم مدل به اضافه حافظه مکالمه از ظرفیت کارت گرافیک شما رد شده و سیستم بخشی از لایه‌ها را به رم کندتر مادربرد یا حافظه مجازی هارد (Swap) منتقل کرده است.
    • راه‌حل: طول زمینه (Context Length) را روی 8192 بگذارید یا یک پله سراغ نسخه سبک‌تر مدل (مثلاً Q4_K_M به جای Q8_0) بروید.
  • خطای ۲ — مدل برای یک سؤال ساده ۲ دقیقه مشغول فکر کردن (<think>) می‌شود:
    • علت: در خانواده Qwen 3 و Qwen 3.5 حالت استدلال عمیق به‌صورت پیش‌فرض روشن است.
    • راه‌حل: برای کارهای سریع روزمره مثل ترجمه یا ویرایش متن، در انتهای پیام خود عبارت /no_think را بنویسید تا مدل بدون اتلاف وقت، مستقیماً جواب نهایی را چاپ کند.
  • خطای ۳ — کارت گرافیک انویدیا دارم اما مدل روی CPU اجرا می‌شود:
    • علت: درایور کارت گرافیک قدیمی است یا کتابخانه CUDA شناسایی نشده است.
    • راه‌حل: درایور انویدیا را به آخرین نسخه سال ۲۰۲۶ به‌روز کنید و در بخش تنظیمات سخت‌افزار LM Studio، مطمئن شوید موتور اجرا (Runtime) روی CUDA 12 یا در کارت‌های AMD روی Vulkan / ROCm قرار دارد.

واقع‌بینی فنی؛ چه زمانی هوش مصنوعی روی لپ‌تاپ کافی نیست؟

داشتن یک چت‌بات آفلاین روی کامپیوتر شخصی، برای بررسی قراردادهای محرمانه، کدهای خصوصی شرکت و جلوگیری از خطراتی که در مقاله داده‌های ما در هوش مصنوعی کجا می‌رود بررسی کردیم، یک ضرورت امنیتی است. همچنین اگر بخواهید ایجنت‌های محلی را در محیط ایزوله تست کنید (موضوعی که در کنترل کامپیوتر با هوش مصنوعی کالبدشکافی شد)، اجرای آفلاین دست شما را کاملاً باز می‌گذارد.

اما باید محدودیت‌های فیزیکی سخت‌افزار خانگی را هم بشناسید:

  • مصرف شدید باتری و حرارت در لپ‌تاپ‌ها: پردازش یک مدل ۹ یا ۱۲ میلیاردی، تراشه گرافیکی لپ‌تاپ را با حداکثر توان درگیر می‌کند، فن‌ها را با صدای بلند به کار می‌اندازد و باتری را در کمتر از یک ساعت خالی می‌کند.
  • نیاز به سخت‌افزار سنگین برای تولید و ویرایش تصویر: در حالی که چت متنی با ۴ تا ۸ گیگابایت رم راه می‌افتد، اجرای مدل‌های روز تولید و ویرایش تصویر روی سیستم خانگی نیازمند دانلود فایل‌های ۲۰ تا ۳۰ گیگابایتی و کارت‌های گرافیک حرفه‌ای و پرمصرف است.
  • محدودیت در پروژه‌های چندمرحله‌ای بزرگ: وقتی می‌خواهید صدها صفحه سند را یک‌جا تحلیل کنید یا بدون کند شدن سیستم در ده تب مختلف کار کنید، اشغال شدن کل رم کامپیوتر توسط مدل محلی سرعت کار روزانه شما را می‌گیرد.

برای همین، کاربران حرفه‌ای میان این دو دنیا تعادل برقرار می‌کنند: فایل‌های محرمانه و کدهای حساس را به مدل آفلاین روی کامپیوتر شخصی می‌سپارند، و برای چت‌های روزمره، ایده‌پردازی سریع بدون داغ شدن لپ‌تاپ و تولید یا ویرایش تصویر با زی، از هوش‌زی استفاده می‌کنند که روی سرورهای داخلی و بدون نیاز به فیلترشکن، بار پردازش را از روی دوش سخت‌افزار شخصی شما برمی‌دارد.

منابع

سوالات متداول

آیا برای اجرای هوش مصنوعی روی کامپیوتر خانگی حتماً به کارت گرافیک گران‌قیمت نیاز داریم؟

خیر. به لطف فرمت فشرده GGUF و مدل‌های نسل جدید مثل Gemma 4 E2B، Gemma 4 E4B و Qwen3.5-4B، می‌توانید یک چت‌بات آفلاین را حتی روی پردازنده معمولی (CPU) و لپ‌تاپ‌های اداری با ۸ تا ۱۶ گیگابایت رم با سرعت روان اجرا کنید.

بهترین مدل‌های هوش مصنوعی برای اجرا روی کامپیوتر شخصی در سال ۲۰۲۶ کدامند؟

برای لپ‌تاپ‌های معمولی مدل‌های Gemma 4 E4B و Phi-4-mini، برای کارت‌های گرافیک ۸ تا ۱۲ گیگابایتی مدل‌های چندوجهی Qwen3.5-9B و Gemma 4 12B، و برای سیستم‌های ۱۶ تا ۲۴ گیگابایتی یا مک‌بوک‌های اپل مدل‌های Qwen3.8-27B، gpt-oss-20b، Devstral 24B و Llama 4 Scout بهترین گزینه‌ها هستند.

تفاوت نرم‌افزار LM Studio با ابزار Ollama در چیست؟

برنامه LM Studio یک محیط گرافیکی آماده و شبیه به چت‌بات‌های آنلاین دارد که دانلود مدل از Hugging Face و مدیریت حافظه گرافیک را با چند کلیک انجام می‌دهد. در مقابل، Ollama یک ابزار سبک خط فرمان است که مدل را در پس‌زمینه اجرا می‌کند و یک درگاه محلی (API) برای اتصال به ادیتورهای کدنویسی مثل VS Code می‌سازد.

چرا گاهی یک مدل کوچک هنگام چت طولانی کل رم کامپیوتر را پر می‌کند؟

مدل‌های جدید مثل Qwen 3.5 و Gemma 4 از پنجره زمینه ۲۵۶ هزار توکنی پشتیبانی می‌کنند. اگر سقف حافظه گفتگو (KV Cache) را در تنظیمات روی ۸ یا ۱۶ هزار توکن محدود نکنید، نرم‌افزار تمام حافظه کارت گرافیک و رم سیستم را برای ذخیره تاریخچه مکالمه رزرو می‌کند.