llama.cpp / Ollama / GGUF 量化 本地跑通了，说点实在的（踩坑复盘）

作为常年和 X 打交道的人，说点实在的。落地党来报个到。 这篇「避坑指南」都是踩过的坑，看完能少走弯路。 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）。 落地时绕不开的资源问题——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。 从提示工程师的角度看，实用价值是第一考量。值得划重点的地方：Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA；llama-server 提供 OpenAI 兼容 API；Q4_K_M 是速度/精度甜点。 希望对同样在选型的朋友有点帮助。能落地的就是好方案，继续干活。 🎯 ⭐ 😂 👀 📌 😅 🔥 🚀 ✨ 💡