llama.cpp / Ollama / GGUF 量化 本地跑通了，说点实在的（怎么选·补充）

最近把 X 好好跑了一遍，聊聊真实感受。落地党来报个到。 「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 是ggml-org / Ollama的作品，公开信息显示发布于持续维护，2026 年仍是本地推理主流方案。参数规模方面，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 4.1GB，许可协议是MIT（llama.cpp）。 显存这关，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：Q2_K 仅适合尝鲜，精度损失明显；Q4_K_M 是速度/精度甜点；flash attention 长上下文提速 20-40%。 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。