从 llama.cpp / Ollama / GGUF 量化 看开源大模型这两年的变化（部署要点）

这个问题被问了太多次，统一回复一下。不整虚的，直接上数字。 「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。 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）。 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。 数据出身的我更信可复现的数字，不信口头宣传。值得划重点的地方：Q4_K_M 是速度/精度甜点；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA。 篇幅有限，展开讲能写一篇论文。数据都摆在这，结论大家自己判断。