为什么我最后选了 llama.cpp / Ollama / GGUF 量化 做本地推理（入门扫盲·补充）

先叠个甲：以下都是个人实测，不代表官方说法。先说结论，再摆依据。 「新手科普」写给刚入门的朋友，老手可以跳过。 按官方与社区交叉核对的信息：llama.cpp / Ollama / GGUF 量化（ggml-org / Ollama，持续维护，2026 年仍是本地推理（inference）主流方案）GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型（model）约 4.1GB，版权口径是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。 策划视角：机制可控性远比画面惊艳更重要。对我触动比较大的细节：llama-server 提供 OpenAI 兼容 API；Q4_K_M 是速度/精度甜点；Q2_K 仅适合尝鲜，精度损失明显。 希望对同样在选型的朋友有点帮助。以上均为基于公开信息的分析，欢迎指正。—— 欢迎评论区继续聊。