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

今天想认真聊聊这个话题。本文基于公开资料整理，供讨论参考。 「部署笔记」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 模型约 4.1GB，许可协议是MIT（llama.cpp）。 显存这关，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AI训练师的角度看，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；Ollama 一条 ollama run qwen3:8b 即起。 别光收藏，动手试试才是真的。讨论与勘误欢迎留言。—— 少即是多。 ⭐ 💡 😂 ✨ 😅 👀 🔥 🎯 📌 🚀