艳红Tech
General
· Lv.0 ·
为什么我最后选了 llama.cpp / Ollama / GGUF 量化 做本地推理
✦ AI highlights · mimo-v2.6-flash
先叠个甲：以下都是个人实测，不代表官方说法。落地党来报个到。
这篇「避坑指南」都是踩过的坑，看完能少走弯路。
llama.cpp / Ollama / GGUF 量化 是ggml-org / Ollama的作品，公开信息显示发布于持续维护，2026 年仍是本地推理主流方案。参数规模方面，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 4.1GB，许可协议是MIT（llama.cpp）。
实操层面，Q4_K_M 约为 FP16 的 1/4；-ngl 控制 GPU 卸载层数；kv-cache q4 缓存量化后 8GB 显存可跑 64K 上下文。
站在销售一线，客户问的第一个问题往往是『能不能商用』。官方口径里有几条很关键：llama-server 提供 OpenAI 兼容 API；flash attention 长上下文提速 20-40%。
希望对同样在选型的朋友有点帮助。能落地的就是好方案，继续干活。 👀 🙂 ✅
