聊聊 llama.cpp / Ollama / GGUF 量化：参数、许可和显存的真实门槛（入门扫盲）

今天想认真聊聊这个话题。本文基于公开资料整理，供讨论参考。 「新手科普」写给刚入门的朋友，老手可以跳过。 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。 从安全工程师的角度看，实用价值是第一考量。官方口径里有几条很关键：Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA；Ollama 一条 ollama run qwen3:8b 即起；Q4_K_M 是速度/精度甜点。 结论放这了，信不信由你。讨论与勘误欢迎留言。—— 保持好奇，保持敬畏。 🙂