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

上周花了点时间做验证，结果还挺意外。最近有不少朋友问起，正好一起聊聊。 这轮「实测记录」我把环境、参数和输出都记了流水账，供同好参考。 按官方与社区交叉核对的信息：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）GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 4.1GB，版权口径是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。 从3D建模师的角度看，实用价值是第一考量。对我触动比较大的细节：Q4_K_M 是速度/精度甜点；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA；flash attention 长上下文提速 20-40%。 祝大家少踩坑，多出活。有不同看法欢迎补充，一起进步。—— 保持好奇，保持敬畏。