llama.cpp / Ollama / GGUF 量化 上手一周，普通显卡到底能不能扛

先说结论：本文基于公开资料整理，供讨论参考。 「选型建议」直接给结论：什么情况选它，什么情况绕道。 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。 从数据工程师的角度看，实用价值是第一考量。值得划重点的地方：Q2_K 仅适合尝鲜，精度损失明显；llama-server 提供 OpenAI 兼容 API；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA。 别光收藏，动手试试才是真的。讨论与勘误欢迎留言。—— 事实先行，观点随后。 💡 📌 🔧 😊 ✨