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

很多同学习惯问『能不能用』。我更想问『值不值得用』。先说结论。再摆依据。 「新手科普」写给刚入门的朋友。老手可以跳过。 llama.cpp / Ollama / GGUF 量化 的基本盘：ggml-org / Ollama 打造。持续维护。2026 年仍是本地推理主流方案 发布。GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit。7B 模型约 4.1GB。遵循MIT（llama.cpp）。 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。 做规划的习惯让我先看生态成熟度。再看单模型强弱。补充几个硬信息：Q4_K_M 是速度/精度甜点；llama-server 提供 OpenAI 兼容 API；flash attention 长上下文提速 20-40%。 以上就是我的全部实测。散会。以上均为基于公开信息的分析。欢迎指正。—— 事实先行。观点随后。