llama.cpp / Ollama / GGUF 量化 部署踩坑记：从下载到稳定出词（怎么选·3）

先说结论：先说结论，再摆依据。 「选型建议」直接给结论：什么情况选它，什么情况绕道。 按官方与社区交叉核对的信息：llama.cpp / Ollama / GGUF 量化（ggml-org / Ollama，持续维护，2026 年仍是本地推理主流方案）GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 4.1GB，版权口径是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。 ML 工程视角：可复现的评测比单点惊艳更重要。值得划重点的地方：Q2_K 仅适合尝鲜，精度损失明显；flash attention 长上下文提速 20-40%；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA。 希望对同样在选型的朋友有点帮助。以上均为基于公开信息的分析，欢迎指正。—— 数据会说话，实践出真知。 👀 ✅ 🙂