llama.cpp / Ollama / GGUF 量化 与其他开源模型的差异在哪

很多同学习惯问『能不能用』，我更想问『值不值得用』。摸鱼时间到，聊点技术八卦。 「新手科普」写给刚入门的朋友，老手可以跳过。 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）。 落地时绕不开的资源问题——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。 ML 工程视角：可复现的评测比单点惊艳更重要。补充几个硬信息：Q2_K 仅适合尝鲜，精度损失明显；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA；flash attention 长上下文提速 20-40%。 就先聊到这，有问题评论区接着讨论。好了不贫了，正经事还有一堆。—— 动手试试，胜过读十篇评测。