关于 llama.cpp / Ollama / GGUF 量化 的几个常见误解，逐条掰扯（部署要点）

看到大家讨论得热闹，我也来抛块砖。有些话不吐不快。 「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。 llama.cpp / Ollama / GGUF 量化 是ggml-org / Ollama的作品，公开信息显示发布于持续维护，2026 年仍是本地推理主流方案。参数规模方面，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 4.1GB，许可协议是MIT（llama.cpp）。 实操层面，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。 从工程落地角度看，集成成本和推理稳定性比刷榜分数更值得盯。几个值得关注的点：llama-server 提供 OpenAI 兼容 API；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA。 下次有新进展再来更新。该说的说完了，懂的都懂。—— 技术选型没有银弹，只有取舍。