llama.cpp / Ollama / GGUF 量化 本地跑通了，说点实在的

很多同学习惯问『能不能用』，我更想问『值不值得用』。先说结论，再摆依据。 「行业观察」跳出单个产品，聊聊它代表的趋势。 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。 从多模态算法工程师的角度看，实用价值是第一考量。对我触动比较大的细节：llama-server 提供 OpenAI 兼容 API；Q2_K 仅适合尝鲜，精度损失明显；Ollama 一条 ollama run qwen3:8b 即起。 下次有新进展再来更新。以上均为基于公开信息的分析，欢迎指正。—— 持续折腾，持续交付。