本地大模型选型：llama.cpp / Ollama / GGUF 量化 值不值得押注（踩坑复盘·2）

闲话少叙，直接上干货。最近有不少朋友问起，正好一起探讨。 这篇「避坑指南」都是踩过的坑，看完能少走弯路。 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）。 实操层面，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。 从提示工程师的角度看，实用价值是第一考量。补充几个硬信息：llama-server 提供 OpenAI 兼容 API；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。有不同看法欢迎补充，一起进步。—— 工具为人服务，不是相反。 👀 🙂 ✅