llama.cpp / Ollama / GGUF 量化 实测数据分享，附环境配置（踩坑复盘）

上周花了点时间做验证，结果还挺意外。今天没啥事，来唠唠这个。 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。 测试的本能是找边界：什么输入会崩、什么场景退化明显。补充几个硬信息：Q4_K_M 是速度/精度甜点；llama-server 提供 OpenAI 兼容 API；Q2_K 仅适合尝鲜，精度损失明显。 希望对同样在选型的朋友有点帮助。先唠到这，评论区接着聊。