本地大模型选型：llama.cpp / Ollama / GGUF 量化 值不值得押注（踩坑复盘·补充）

先叠个甲：以下都是个人实测，不代表官方说法。不整虚的，直接上数字。 这篇「避坑指南」都是踩过的坑，看完能少走弯路。 先摆事实：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 发布，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 4.1GB；授权方式为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。 前端视角：能不能包一层 API 就用起来，决定了团队采纳速度。补充几个硬信息：Q4_K_M 是速度/精度甜点；Ollama 一条 ollama run qwen3:8b 即起。 祝大家少踩坑，多出活。数据都摆在这，结论大家自己判断。—— 保持好奇，保持敬畏。