为什么我最后选了 llama.cpp / Ollama / GGUF 量化 做本地推理（怎么选·2）

最近把 X 好好跑了一遍，聊聊真实感受。今天没啥事，来唠唠这个。 「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）。 本地跑起来的话，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。 前端视角：能不能包一层 API 就用起来，决定了团队采纳速度。对我触动比较大的细节：Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA；Q4_K_M 是速度/精度甜点；flash attention 长上下文提速 20-40%。 以上就是我的全部实测，散会。先唠到这，评论区接着聊。—— 让复杂的事情变简单。 👀