五分鐘學會！|省你五小時

你還在每個月付費給 Copilot 或 ChatGPT 來寫程式嗎？或是每次寫點小腳本都要打開網路瀏覽器，把程式碼貼來貼去？其實，Google 最新開源的 Gemma 4 Coder 模型，已經可以在你「自己的電腦」上免費跑了！

這篇文章要教你如何用最簡單的步驟，把這個專門為寫程式設計的 AI 模型安裝到你的電腦裡。你不需要花大錢買雲端服務，也不用擔心程式碼被傳到別人的伺服器。而且，整個過程真的只要五分鐘。

我們會從頭開始：下載模型、安裝執行環境、到實際讓它幫你寫程式。你會發現，原來在自己電腦上跑 AI 寫程式助手，比你想像中簡單太多了。

為什麼你該試試本地跑 Gemma 4 Coder？

你可能會問：「我直接用 ChatGPT 或 GitHub Copilot 不就好了？為什麼要這麼麻煩在自己電腦上跑？」

答案是：隱私、速度和費用。

想像一下，你正在開發一個公司內部的專案，裡面有客戶資料或商業邏輯。你把這段程式碼貼到 ChatGPT 上請它幫忙優化——這等於是把公司機密送給別人看。很多公司現在都禁止員工使用外部 AI 服務處理敏感程式碼。

而 Gemma 4 Coder 是 Google 開源的模型，你可以完全離線使用，所有運算都在你的電腦上完成。程式碼永遠不會離開你的硬碟。

再來是速度。當你寫程式卡關時，一秒鐘都不想等。本地模型雖然沒有雲端那種超大算力，但對於常見的程式碼補全、解釋和除錯，回應速度往往比透過網路更快，因為少了上傳下載的延遲。

最後是費用。它是完全免費的。你只需要一台還可以的電腦（後面會告訴你最低要求），不需要每月訂閱任何服務。

第一步：下載 Gemma 4 Coder 模型

首先，我們要取得模型檔案。目前最熱門的版本是 yuxinlu1/gemma-4-12B-coder-fable5-composer2.5-v1-GGUF，這個版本在 HuggingFace 上已經有超過 26 萬次下載，而且它已經被量化成 GGUF 格式，對一般電腦非常友善。

什麼是 GGUF？簡單來說，它是一種讓模型檔案變小、跑得更快的壓縮格式。原本 12B 參數的模型需要約 24GB 的顯示卡記憶體，但經過量化後，你只需要 8GB 左右的記憶體就能跑了。

要下載這個模型，有兩個方法：

方法一：直接從 HuggingFace 網頁下載

1. 打開瀏覽器，前往 huggingface.co/yuxinlu1/gemma-4-12B-coder-fable5-composer2.5-v1-GGUF
2. 在頁面中，找到「Files and versions」標籤
3. 你會看到好幾個 .gguf 檔案，檔名不同的地方在於量化等級：Q4_K_M、Q5_K_M、Q8_0 等等
4. 如果你的顯示卡記憶體在 6GB 到 8GB 之間，選擇 Q4_K_M 版本（品質與效能的平衡點）
5. 如果記憶體超過 12GB，可以試試 Q5_K_M 或 Q8_0，品質更好
6. 點擊檔名，然後按「Download」按鈕

下載完成後，你會得到一個約 7GB 到 9GB 的檔案。把它放在一個你記得的路徑，例如 C:\AI\Models\ 或 ~/ai-models/。

方法二：使用指令下載（推薦） 如果你習慣用終端機，可以用 wget 或 curl 來下載，速度通常比瀏覽器快：

# 下載 Q4_K_M 版本（約 7.5GB）
wget https://huggingface.co/yuxinlu1/gemma-4-12B-coder-fable5-composer2.5-v1-GGUF/resolve/main/gemma-4-12b-coder-fable5-composer2.5-v1-Q4_K_M.gguf

這個過程大概需要 5 到 15 分鐘，取決於你的網路速度。

第二步：安裝執行環境——Ollama 或 LM Studio？

下載好模型後，你需要一個軟體來「跑」它。目前最受歡迎的選擇有兩個：Ollama 和 LM Studio。我個人推薦初學者先用 LM Studio，因為它有圖形介面，操作直觀。

選項 A：LM Studio（推薦初學者）

1. 前往 lmstudio.ai 下載並安裝 LM Studio
2. 安裝完成後，開啟軟體
3. 點擊左側的「Local Models」按鈕
4. 然後點擊「Add Model from File」
5. 選擇你剛才下載的 .gguf 檔案
6. 載入完成後，你會在模型列表中看到它
7. 點擊模型右邊的「Load」按鈕
8. 等待幾秒鐘，當狀態變成「Loaded」時，就代表模型準備好了

現在你可以直接在下方的對話框輸入文字，例如：「寫一個 Python 函式，讀取 CSV 檔案並計算每欄的平均值」。模型會開始生成程式碼，就像使用 ChatGPT 一樣，但完全離線。

選項 B：Ollama（適合進階使用者）

如果你想要更輕量、更快速的體驗，Ollama 是更好的選擇。

1. 前往 ollama.ai 下載並安裝 Ollama
2. 安裝完成後，開啟終端機（Windows 用 PowerShell，Mac 用 Terminal）
3. 輸入以下指令來建立一個自訂模型：

ollama create gemma4-coder -f Modelfile

4. 但你會需要先建立一個 Modelfile，內容如下：

FROM ./gemma-4-12b-coder-fable5-composer2.5-v1-Q4_K_M.gguf

5. 然後執行 ollama run gemma4-coder

這樣就可以直接和模型對話了。Ollama 的好處是它會啟動一個 API 伺服器，你可以在 VS Code 或其他編輯器中串接使用。

第三步：實際測試——讓 AI 幫你寫程式

現在模型已經在你的電腦上跑了，讓我們來測試它的實力。我會用幾個實際的場景來驗證，你也可以跟著做。

場景一：解釋一段程式碼

假設你看到一段看不懂的程式碼，可以直接問模型：

請解釋以下這段 Python 程式碼在做什麼：
def merge_sort(arr):
    if len(arr) <= 1:
        return arr
    mid = len(arr) // 2
    left = merge_sort(arr[:mid])
    right = merge_sort(arr[mid:])
    return merge(left, right)

Gemma 4 Coder 會詳細解釋每一行在做什麼，甚至會補充時間複雜度分析。這對學習新語言或理解同事的程式碼非常有幫助。

場景二：幫你寫一個函式

假設你需要一個能將圖片轉成灰階的函式：

用 Python 和 Pillow 函式庫寫一個函式，把輸入的圖片轉成灰階，並儲存為新檔案。記得加入錯誤處理。

模型會生成完整的程式碼，包括 import 語句和錯誤處理區塊。你可以直接複製貼上到你的專案中使用。

場景三：程式碼重構

假設你有一段很醜的程式碼，想要讓它更乾淨：

這段程式碼可以重構成更簡潔的寫法嗎？
items = []
for i in range(10):
    items.append(i * 2)

它會建議你使用列表推導式 items = [i * 2 for i in range(10)]，並解釋為什麼這樣更好。

效能調校與進階技巧

如果你發現模型跑得有點慢，或記憶體不夠，可以試試以下幾個技巧：

調整上下文長度：在 LM Studio 中，載入模型時可以設定「Context Length」。預設是 4096，但如果你只是寫小腳本，設成 2048 就能省下不少記憶體。

使用 GPU 加速：如果你有 NVIDIA 顯示卡，LM Studio 會自動偵測並使用 CUDA 加速。如果有 AMD 顯示卡，可以試試在設定中開啟 Vulkan 或 ROCm 支援。一般來說，使用 GPU 會比 CPU 快 5 到 10 倍。

批次處理：如果你要處理大量程式碼，例如幫整個專案補上註解，可以寫一個小腳本批次呼叫 Ollama 的 API。Ollama 預設會在 http://localhost:11434 提供 API，你可以用 curl 或 Python 的 requests 來呼叫：

import requests
import json

response = requests.post('http://localhost:11434/api/generate', 
    json={
        'model': 'gemma4-coder',
        'prompt': '幫這段 code 加上註解: def add(a,b): return a+b',
        'stream': False
    })
print(response.json()['response'])

總結

今天我們學到了如何在自己的電腦上免費運行 Google 最新的 Gemma 4 Coder 模型。從下載 GGUF 格式的模型檔案，到安裝 LM Studio 或 Ollama 這類執行環境，再到實際讓 AI 幫你寫程式、解釋程式碼和重構，整個流程只需要五分鐘。

最大的好處是：你的程式碼永遠不會離開你的電腦，不用擔心隱私問題；速度更快，因為沒有網路延遲；而且完全免費，不需要任何訂閱費。

建議你先從 LM Studio 開始試試，它對初學者最友善。等熟悉了再考慮換成 Ollama，享受更輕量、可程式化的體驗。

別忘了，AI 寫程式的時代已經來了，但你不需要把控制權交給雲端。在自己的電腦上跑一個開源模型，不僅省錢，還能保護你的程式碼隱私。現在就去試試看吧！

延伸閱讀

• 五分鐘學會！|省你五小時
• 五分鐘學會！|省你五小時
• 五分鐘學會！|省你五小時

常見問題

Q: 我的電腦跑得動 Gemma 4 Coder 嗎？需要什麼規格？ A: 最基本需求是 8GB 的 RAM（建議 16GB），以及至少 10GB 的硬碟空間。如果你有 NVIDIA 顯示卡（4GB VRAM 以上）會跑得更順。沒有獨立顯示卡也可以用 CPU 跑，但速度會慢一些，適合寫小程式。

Q: 我可以把這個模型用在商業專案嗎？ A: 可以。Gemma 4 使用 Google 的 Gemma 授權條款，允許商業使用。但建議你還是看一下 HuggingFace 頁面上的授權說明，確保符合你的使用情境。

Q: 為什麼我覺得它回答得沒有 ChatGPT 好？ A: 這是正常的。Gemma 4 Coder 是一個 12B 參數的模型，而 ChatGPT 使用的是數百億參數的模型。但它的優勢在於離線、免費、隱私。對於常見的程式碼任務，它的表現已經非常夠用了。如果你需要更強的模型，可以考慮未來升級到 27B 或更大的版本。

Q: 模型下載到一半中斷了怎麼辦？ A: 可以使用支援續傳的下載工具，例如 wget -c（續傳參數）或使用瀏覽器的下載管理員。如果檔案損壞，重新下載並檢查 SHA256 雜湊值是否與 HuggingFace 頁面上的一致。

Q: 我可以同時讓多個程式使用這個 AI 嗎？ A: 可以。如果你使用 Ollama，它會啟動一個 API 伺服器，你可以從多個程式（如 VS Code 外掛、終端機、自訂腳本）同時呼叫。LM Studio 也支援 API 模式，可以在設定中開啟。