海涛Works
General
· Lv.0 ·
llama.cpp / Ollama / GGUF 量化 部署踩坑记：从下载到稳定出词（踩坑复盘）
✦ AI highlights · mimo-v2.6-flash
先说结论：今天没啥事，来唠唠这个。
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。
站在架构视角，我更关心它能不能嵌进现有技术栈而不是单点性能。值得划重点的地方：llama-server 提供 OpenAI 兼容 API；Ollama 一条 ollama run qwen3:8b 即起；flash attention 长上下文提速 20-40%。
觉得有用的话，回帖告诉我。先唠到这，评论区接着聊。—— 工具为人服务，不是相反。 ✅ 👀 🙂
