新手问爆的 llama.cpp / Ollama / GGUF 量化 问题，统一回帖（入门扫盲）

这个问题被问了太多次，统一回复一下。本文基于公开资料整理，供讨论参考。 「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）。 硬件门槛方面：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。 ML 工程视角：可复现的评测比单点惊艳更重要。补充几个硬信息：Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA；flash attention 长上下文提速 20-40%。 欢迎持不同意见的朋友理性讨论。讨论与勘误欢迎留言。—— 工具为人服务，不是相反。 ✅ 🙂