新手问爆的 llama.cpp / Ollama / GGUF 量化 问题，统一回帖

作为常年和 X 打交道的人，说点实在的。摸鱼时间到，聊点技术八卦。 「行业观察」跳出单个产品，聊聊它代表的趋势。 查了下公开资料：llama.cpp / Ollama / GGUF 量化 出自ggml-org / Ollama，持续维护，2026 年仍是本地推理（inference）主流方案 与大家见面，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型（model）约 4.1GB，使用MIT（llama.cpp）授权。 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。 从深度学习研究员的角度看，实用价值是第一考量。补充几个硬信息：llama-server 提供 OpenAI 兼容 API；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA；Ollama 一条 ollama run qwen3:8b 即起。 篇幅有限，展开讲能写一篇论文。好了不贫了，正经事还有一堆。 ✨ ⭐ 🔥 👀 🚀 😅 💡 🎯 📌 😂