为什么我最后选了 llama.cpp / Ollama / GGUF 量化 做本地推理（对比分析）

今天想认真聊聊这个话题。先说结论。再摆依据。 这次「横向对比」不吹不黑。把它和同赛道选手放在一张表里看差距。 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（inference）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（model）约 4.1GB。使用MIT（llama.cpp）授权。 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。 数据出身的我更信可复现的数字。不信口头宣传。官方口径里有几条很关键：Ollama 一条 ollama run qwen3:8b 即起；flash attention 长上下文提速 20-40%。 篇幅有限。展开讲能写一篇论文。以上均为基于公开信息的分析。欢迎指正。