从 llama.cpp / Ollama / GGUF 量化 看开源大模型这两年的变化（部署要点·补充）

今天想认真聊聊这个话题。落地党来报个到。 「部署笔记」是给想自己动手的朋友准备的，重点在配置与资源占用。 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。 硬件门槛方面：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。 运维视角看，显存占用、热更新和故障恢复才是日常。几个值得关注的点：Q4_K_M 是速度/精度甜点；llama-server 提供 OpenAI 兼容 API；Ollama 一条 ollama run qwen3:8b 即起。 下次有新进展再来更新。能落地的就是好方案，继续干活。—— 欢迎评论区继续聊。 🙂 👀 ✅