为什么我最后选了 llama.cpp / Ollama / GGUF 量化 做本地推理（上手实测）

上周花了点时间做验证，结果还挺意外。落地党来报个到。 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。 查了下公开资料：llama.cpp / Ollama / GGUF 量化 出自ggml-org / Ollama，持续维护，2026 年仍是本地推理主流方案 与大家见面，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 4.1GB，使用MIT（llama.cpp）授权。 本地跑起来的话，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。 从硬件工程师的角度看，实用价值是第一考量。补充几个硬信息：flash attention 长上下文提速 20-40%；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA；llama-server 提供 OpenAI 兼容 API。 就先聊到这，有问题评论区接着讨论。能落地的就是好方案，继续干活。—— 少即是多。