本地大模型选型：llama.cpp / Ollama / GGUF 量化 值不值得押注（踩坑复盘）

今天想认真探讨这个话题。落地党来报个到。 这篇「避坑指南」都是踩过的坑，看完能少走弯路。 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。 从数据工程师的角度看，实用价值是第一考量。对我触动比较大的细节：Ollama 一条 ollama run qwen3:8b 即起；llama-server 提供 OpenAI 兼容 API。 篇幅有限，展开讲能写一篇论文。能落地的就是好方案，继续干活。—— 动手试试，胜过读十篇评测。