破晓书竹
综合
· Lv.0 ·
llama.cpp / Ollama / GGUF 量化 与其他开源模型的差异在哪（部署要点）
先说结论：今天没啥事，来唠唠这个。
「部署笔记」是给想自己动手的朋友准备的，重点在配置与资源占用。
先摆事实：llama.cpp / Ollama / GGUF 量化（ggml-org / Ollama）持续维护，2026 年仍是本地推理主流方案 发布，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 4.1GB；授权方式为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。
站在销售一线，客户问的第一个问题往往是『能不能商用』。补充几个硬信息：Ollama 一条 ollama run qwen3:8b 即起；llama-server 提供 OpenAI 兼容 API。
结论放这了，信不信由你。先唠到这，评论区接着聊。