关于 llama.cpp / Ollama / GGUF 量化 的几个常见误解，逐条掰扯（怎么选）

上周花了点时间做验证，结果还挺意外。摸鱼时间到，聊点技术八卦。 「选型建议」直接给结论：什么情况选它，什么情况绕道。 查了下公开资料：llama.cpp / Ollama / GGUF 量化 出自ggml-org / Ollama，持续维护，2026 年仍是本地推理主流方案 与大家见面，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 4.1GB，使用MIT（llama.cpp）授权。 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。 测试的本能是找边界：什么输入会崩、什么场景退化明显。补充几个硬信息：Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA；llama-server 提供 OpenAI 兼容 API。 以上就是我的全部实测，散会。好了不贫了，正经事还有一堆。 ✨ 🔧 😊 💡 📌