本地大模型选型：llama.cpp / Ollama / GGUF 量化 值不值得押注（怎么选）

很多同学习惯问『能不能用』，我更想问『值不值得用』。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。 llama.cpp / Ollama / GGUF 量化 的基本盘：ggml-org / Ollama 打造，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，遵循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。 测试的本能是找边界：什么输入会崩、什么场景退化明显。值得划重点的地方：Q4_K_M 是速度/精度甜点；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA。 欢迎持不同意见的朋友理性讨论。好了不贫了，正经事还有一堆。—— 个人经验，仅供参考。 🙂 ✅ 👀