为什么我最后选了 llama.cpp / Ollama / GGUF 量化 做本地推理（算笔账·补充）

这个问题被问了太多次，统一回复一下。最近有不少朋友问起，正好一起聊聊。 「成本账」把硬件、时间与授权成本摊开来算，别只看跑分。 先摆事实：llama.cpp / Ollama / GGUF 量化（ggml-org / Ollama）持续维护，2026 年仍是本地推理主流方案 发布，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 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。 哪怕做设计，我也关心生成质量能不能直接进视觉稿流程。官方口径里有几条很关键：flash attention 长上下文提速 20-40%；Q4_K_M 是速度/精度甜点；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA。 觉得有用的话，回帖告诉我。有不同看法欢迎补充，一起进步。—— 有不同看法的，评论区见。 🔧 ✨ 📌 😊 💡