从 llama.cpp / Ollama / GGUF 量化 看开源大模型这两年的变化（踩坑复盘）

看到大家讨论得热闹，我也来抛块砖。有些话不吐不快。 这篇「避坑指南」都是踩过的坑，看完能少走弯路。 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）。 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。 带团队后我更看长期维护成本，而非单次 demo。官方口径里有几条很关键：Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA；Ollama 一条 ollama run qwen3:8b 即起；Q2_K 仅适合尝鲜，精度损失明显。 希望对同样在选型的朋友有点帮助。该说的说完了，懂的都懂。—— 个人经验，仅供参考。 ✅ 🙂