为什么我最后选了 llama.cpp / Ollama / GGUF 量化 做本地推理（部署要点）

这个问题被问了太多次。统一回复一下。开门见山。 「部署（deploy）笔记」是给想自己动手的朋友准备的。重点在配置与资源占用。 llama.cpp / Ollama / GGUF 量化 是ggml-org / Ollama的作品。公开信息显示发布于持续维护。2026 年仍是本地推理（inference）主流方案。参数规模方面。GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit。7B 模型（model）约 4.1GB。许可协议是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。 运维视角看。显存占用、热更新和故障恢复才是日常。几个值得关注的点：Q4_K_M 是速度/精度甜点；flash attention 长上下文提速 20-40%；llama-server 提供 OpenAI 兼容 API。 下次有新进展再来更新。以上。—— 事实先行。观点随后。 📌 ⭐ 👀 🔥 💡 😂 ✨ 🎯 😅 🚀