新闻详情

新闻详情

首页 / 资讯中心 / 详情

本地AI玩家的磁盘救星:LightC AI模型空间分析Ollama/HuggingFace/ComfyUI模型占用

发布时间:2026/10/2 17:11:37来源:尧图网络
本地AI玩家的磁盘救星:LightC AI模型空间分析Ollama/HuggingFace/ComfyUI模型占用
本地AI玩家的磁盘救星LightC AI模型空间分析Ollama/HuggingFace/ComfyUI模型占用【免费下载链接】light-cA free, minimalist, lightweight, and high-performance C-drive cleanup tool.项目地址: https://gitcode.com/gh_mirrors/li/light-cLightC 是一款免费、轻量、高性能的 C 盘清理工具其「AI 模型空间」模块能快速分析你电脑里 Ollama、HuggingFace、ComfyUI、LM Studio 的模型占用帮你找出哪个模型最吃硬盘空间并安全删除——本地 AI 玩家清理模型缓存不用再靠人肉翻目录了。为什么本地 AI 模型是磁盘刺客跑一次 Ollama 拉 7B 模型 4GB再玩 ComfyUI 的 Checkpoint LoRA 又是几十 GBHuggingFace 缓存更是悄悄膨胀。问题在于模型散落在用户目录、缓存目录、甚至 D/G 盘深处资源管理器很难定位多版本权重共享 blobs直接看目录大小会误判占用想删旧模型又怕误删正在用的权重LightC 的 AI 模型空间模块 就是为这种场景设计的一键扫描四大平台 深度发现全盘兜底结果按平台、按模型类型出图删哪个一目了然。一键扫描4 大平台模型自动识别进入「AI 模型空间」点击开始分析LightC 会并行运行 4 个检测器见 detectors/mod.rs平台检测逻辑源码Ollama解析 manifests 清单 统计 blobs 权重识别未被清单引用的孤儿 blobollama.rsHuggingFace扫描~/.cache/huggingface支持 HF_HOME 改路径按符号链接解析真实权重体积huggingface.rsComfyUI遍历 checkpoints / loras / vae / controlnet 等 12 类模型目录支持 extra_model_paths.yaml 自定义路径comfyui.rsLM Studio扫描本地模型库目录lm_studio.rs两个细节值得注意共享权重只算一次。Ollama 多层模型会共享同一份 blobLightC 按真实引用的 blob 文件统计总量ollama.rs#L70-L75不会虚报占用。符号链接不会算成 0。HuggingFace 快照全是软链接LightC 会解析到 blobs 里的真实文件再统计huggingface.rs#L108-L134。深度发现全盘 MFT 兜底扫漏网之鱼把模型装在非标准位置打开「深度发现」开关LightC 会读取 NTFS MFT 主文件表按模型特征扩展名.gguf、.safetensors、.onnx、.ckpt 等全盘兜底并且已经识别过的目录会自动排除避免重复计数。模型格式识别规则见 model_file_rules.rsMFT 兜底实现在 mft_discovery.rs。结果怎么看总览、图表、模型列表扫描完成后结果结构定义在 types.rs顶部总览总占用、模型数量、最大单个模型可直接打开所在文件夹平台占比环形图 模型类型柱状图一眼看出 Ollama 还是 ComfyUI 最吃空间模型列表按平台/类型筛选、关键词搜索、按大小排序每个模型支持打开目录、搜索、删除前端交互逻辑在 AiModelsModule.tsx扫描进度通过 commands/ai_models.rs 的阶段事件实时推送长耗时扫描也有明确反馈。安全删除确认路径 范围白名单在列表里点删除会弹出确认框展示模型名、体积和完整路径删除范围严格限制在支持的模型格式内is_supported_model_extension校验见 commands/ai_models.rs#L30-L59文件被占用时会明确提示失败原因不会误删。使用建议先快速扫描确认大头再用深度发现查漏删除前留意确认它不是正在使用的模型提示——比如你 Ollama 还挂着的模型删了就得重新下载。常见问题Q扫描会删文件吗不会。扫描只读分析删除必须逐个手动确认。Q为什么总量比我各模型加起来小正常现象——共享权重Ollama blobs、HuggingFace 软链接只按磁盘真实占用计一次这是更准确的口径。Q深度发现会很慢吗它需要枚举 NTFS MFT耗时取决于盘符数量和数据量进度面板会显示当前盘符和阶段。【免费下载链接】light-cA free, minimalist, lightweight, and high-performance C-drive cleanup tool.项目地址: https://gitcode.com/gh_mirrors/li/light-c创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

小鱼的数字游戏:数组倒序输出的多语言解法与踩坑指南 2026/10/2 19:47:32

小鱼的数字游戏:数组倒序输出的多语言解法与踩坑指南

1. 一道"小鱼的数字游戏",为什么能让新手原地卡壳这道题我第一次刷的时候,心里想的是"这也算必刷?"。题目短、场景萌,读起来不过三行:小鱼看到一串数字,以 0 结尾,它要把这…

阅读更多 →
Flask+Echarts生产级可视化大屏系统实战 2026/10/2 19:47:19

Flask+Echarts生产级可视化大屏系统实战

简介:这是一套基于Flask后端与ECharts前端的Python可视化大屏数据展示系统,面向计算机及相关专业(如人工智能、物联网、电子信息等)的高校学生、教师及初学者,适用于毕业设计、课程设计、项目演示与Web数据可视化入门实…

阅读更多 →
BM25与RRF协同的轻量级RAG系统实战设计 2026/10/2 19:47:13

BM25与RRF协同的轻量级RAG系统实战设计

1. 项目概述:这不是一场术语背诵考试,而是一次系统性思维的现场验证DocResearch 这个项目名字听起来像一个文档研究工具,但实际它是一个典型的现代 RAG(检索增强生成)系统落地案例——不是那种教科书里抽象的概念演示&…

阅读更多 →
大模型推理加速三板斧:量化、投机采样与PD分离 2026/10/2 19:47:13

大模型推理加速三板斧:量化、投机采样与PD分离

大模型跑起来太慢了,这个问题做推理的人天天都在撞。不是显卡不够好,而是很多算力都花在了没必要的地方。我这段时间用 nano-vllm 把量化、投机采样、PD 分离这三招挨个过了一遍,踩了不少坑,也摸清了它们各自的脾气。这篇就把我怎…

阅读更多 →
模型部署精度与硬件匹配:从FP16、INT8量化到显存带宽的选型指南 2026/10/2 19:47:13

模型部署精度与硬件匹配:从FP16、INT8量化到显存带宽的选型指南

做模型部署和推理优化这些年,我见过太多人卡在同一步:模型训练好了,也验证过了,一到落地阶段就开始纠结——同一个模型,到底该用什么精度跑?该配什么硬件才合适?这个问题看起来简单,…

阅读更多 →
模型部署的精度与硬件匹配指南:从显存、带宽到量化实战 2026/10/2 19:47:12

模型部署的精度与硬件匹配指南:从显存、带宽到量化实战

这篇博文主要围绕“同一个模型,该用什么精度、配什么硬件”来展开。模型部署里精度选择和硬件匹配是绕不开的坎,很多人在这一步踩坑:要么显存不够直接爆掉,要么精度选错导致速度反而不如低配机器,要么量化后质量明显下…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉