聊聊 llama.cpp / Ollama / GGUF 量化：参数、许可和显存的真实门槛（怎么选）

最近把 X 好好跑了一遍，聊聊真实感受。开门见山。 「选型建议」直接给结论：什么情况选它，什么情况绕道。 查了下公开资料：llama.cpp / Ollama / GGUF 量化 出自ggml-org / Ollama，持续维护，2026 年仍是本地推理主流方案 与大家见面，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 4.1GB，使用MIT（llama.cpp）授权。 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。 ML 工程视角：可复现的评测比单点惊艳更重要。对我触动比较大的细节：Q4_K_M 是速度/精度甜点；Q2_K 仅适合尝鲜，精度损失明显；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA。 欢迎持不同意见的朋友理性讨论。以上。—— 工具为人服务，不是相反。 👀 ✅