从 llama.cpp / Ollama / GGUF 量化 看开源大模型这两年的变化（上手实测·3）

先叠个甲：以下都是个人实测，不代表官方说法。摸鱼时间到，聊点技术八卦。 这轮「实测记录」我把环境、参数和输出都记了流水账，供同好参考。 先摆事实：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 发布，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 4.1GB；授权方式为MIT（llama.cpp）。 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。 从推理优化工程师的角度看，实用价值是第一考量。官方口径里有几条很关键：flash attention 长上下文提速 20-40%；llama-server 提供 OpenAI 兼容 API。 觉得有用的话，回帖告诉我。好了不贫了，正经事还有一堆。—— 以上，欢迎拍砖。 👀 🙂