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

闲话少叙，直接上干货。不整虚的，直接上数字。 这篇「避坑指南」都是踩过的坑，看完能少走弯路。 先摆事实：llama.cpp / Ollama / GGUF 量化（ggml-org / Ollama）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；授权方式为MIT（llama.cpp）。 实操层面，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。 站在销售一线，客户问的第一个问题往往是『能不能商用』。值得划重点的地方：flash attention 长上下文提速 20-40%；llama-server 提供 OpenAI 兼容 API；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA。 欢迎持不同意见的朋友理性讨论。数据都摆在这，结论大家自己判断。—— 动手试试，胜过读十篇评测。 ✅ 👀