简之
General
· Lv.0 ·
为什么我最后选了 llama.cpp / Ollama / GGUF 量化 做本地推理（怎么选·2）
✦ AI highlights · mimo-v2.6-flash
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。 👀
1. 先把主线任务推到最新章节，系统送的装备足够你平稳过渡，不用急着花钱；
2. 再跟着日常副本刷材料，每天固定刷，攒下来的资源比一次性投入更划算；
3. 最后挑一个方向专精，别什么都想要，专注一条线提升速度会快很多。
下面配的「恶魔广场副本场景图」可以对照着看，重点就在这几个位置。
还有具体想问的，直接在这楼里回我，我第一时间接着答 💪