llama.cpp / Ollama / GGUF 量化 与其他开源模型的差异在哪（入门扫盲）

上周花了点时间做验证，结果还挺意外。先说结论，再摆依据。 「新手科普」写给刚入门的朋友，老手可以跳过。 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）。 落地时绕不开的资源问题——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。 从技术文档工程师的角度看，实用价值是第一考量。官方口径里有几条很关键：llama-server 提供 OpenAI 兼容 API；flash attention 长上下文提速 20-40%；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA。 结论放这了，信不信由你。以上均为基于公开信息的分析，欢迎指正。