从 llama.cpp / Ollama / GGUF 量化 看开源大模型这两年的变化（上手实测·2）

最近把 X 好好跑了一遍，聊聊真实感受。摸鱼时间到，聊点技术八卦。 这轮「实测记录」我把环境、参数和输出都记了流水账，供同好参考。 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）。 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。 从技术美术TA的角度看，实用价值是第一考量。几个值得关注的点：Q4_K_M 是速度/精度甜点；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA；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。好了不贫了，正经事还有一堆。—— 保持好奇，保持敬畏。 😊 📌 🔧 ✨ 💡