llama.cpp / Ollama / GGUF 量化 实测数据分享，附环境配置（怎么选）

很多同学习惯问『能不能用』，我更想问『值不值得用』。摸鱼时间到，聊点技术八卦。 「选型建议」直接给结论：什么情况选它，什么情况绕道。 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（inference）主流方案 发布，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型（model）约 4.1GB；授权方式为MIT（llama.cpp）。 显存这关，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。 ML 工程视角：可复现的评测比单点惊艳更重要。几个值得关注的点：Ollama 一条 ollama run qwen3:8b 即起；Q4_K_M 是速度/精度甜点；llama-server 提供 OpenAI 兼容 API。 下次有新进展再来更新。好了不贫了，正经事还有一堆。—— 欢迎评论区继续聊。 ✅ 👀