为什么我最后选了 llama.cpp / Ollama / GGUF 量化 做本地推理（踩坑复盘）

最近把 X 好好跑了一遍，聊聊真实感受。落地党来报个到。 这篇「避坑指南」都是踩过的坑，看完能少走弯路。 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。 带团队后我更看长期维护成本，而非单次 demo。几个值得关注的点：llama-server 提供 OpenAI 兼容 API；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA。 篇幅有限，展开讲能写一篇论文。能落地的就是好方案，继续干活。