为什么我最后选了 llama.cpp / Ollama / GGUF 量化 做本地推理（入门扫盲）

作为常年和 X 打交道的人，说点实在的。开门见山。 「新手科普」写给刚入门的朋友，老手可以跳过。 llama.cpp / Ollama / GGUF 量化 的基本盘：ggml-org / Ollama 打造，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，遵循MIT（llama.cpp）。 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。 后端视角关注吞吐、并发和冷启动，这些决定线上体验。值得划重点的地方：flash attention 长上下文提速 20-40%；Q2_K 仅适合尝鲜，精度损失明显。 下次有新进展再来更新。以上。—— 事实先行，观点随后。