从 llama.cpp / Ollama / GGUF 量化 看开源大模型这两年的变化（上手实测·补充）

最近把 X 好好跑了一遍。聊聊真实感受。先说结论。再摆依据。 这轮「实测记录」我把环境、参数和输出都记了流水账。供同好参考。 按官方与社区交叉核对的信息：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）GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit。7B 模型约 4.1GB。版权口径是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。 从解决方案架构师的角度看。实用价值是第一考量。补充几个硬信息：Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA；llama-server 提供 OpenAI 兼容 API。 以上就是我的全部实测。散会。以上均为基于公开信息的分析。欢迎指正。—— 少即是多。