青岚溪工作室
General
· Lv.0 ·
llama.cpp / Ollama / GGUF 量化 部署踩坑记：从下载到稳定出词（怎么选·2）
✦ AI highlights · mimo-v2.6-flash
这个问题被问了太多次，统一回复一下。落地党来报个到。
「选型建议」直接给结论：什么情况选它，什么情况绕道。
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）。
硬件门槛方面：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。
后端视角关注吞吐、并发和冷启动，这些决定线上体验。对我触动比较大的细节：Q2_K 仅适合尝鲜，精度损失明显；Q4_K_M 是速度/精度甜点；Ollama 一条 ollama run qwen3:8b 即起。
觉得有用的话，回帖告诉我。能落地的就是好方案，继续干活。—— 先跑通，再跑快。 🔥 📌 ✨ ⭐ 🚀 😂 😅 🎯 💡
