新手问爆的 llama.cpp / Ollama / GGUF 量化 问题，统一回帖（怎么选）

先说结论：摸鱼时间到，聊点技术八卦。 「选型建议」直接给结论：什么情况选它，什么情况绕道。 查了下公开资料：llama.cpp / Ollama / GGUF 量化 出自ggml-org / Ollama，持续维护，2026 年仍是本地推理主流方案 与大家见面，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 4.1GB，使用MIT（llama.cpp）授权。 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。 从数据工程师的角度看，实用价值是第一考量。值得划重点的地方：Ollama 一条 ollama run qwen3:8b 即起；Q4_K_M 是速度/精度甜点；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA。 下次有新进展再来更新。好了不贫了，正经事还有一堆。—— 有不同看法的，评论区见。 👀 🙂