← 选型矩阵 · 推理服务
llama.cpp：推理服务，单机，显存 无
最底层也最省的推理实现，纯 CPU 也能跑，量化格式的事实标准（GGUF 就是它定义的）。
关键字段
| 用途 | 推理服务 |
|---|
| 部署形态 | 单机 |
|---|
| 纯内网 | 是 |
|---|
| 显存门槛 | 无 |
|---|
| 部署难度 | ●●○○○ |
|---|
| 许可 | MIT |
|---|
| 成本 | 自建免费 |
|---|
| 中文 | 是 |
|---|
| 扫描件 OCR | 否 |
|---|
| 批量 | 否 |
|---|
| 多人协作 | 否 |
|---|
| 要注意 | 没有现成界面，模型管理全靠命令行；团队用要自己在上面套壳。 |
|---|
字段核验：2026-11（许可、部署形态、显存门槛来自项目公开文档；价格不上表，会过期）
选它之前要想清楚
没有现成界面，模型管理全靠命令行；团队用要自己在上面套壳。
项目主页 ↗
同类替代
- Ollama（单机 · 显存 8G · 难度 1）— 默认上下文短；长文档要显式调大 context 并确认显存够，否则会被静默截断。
- vLLM（Docker · 显存 24G+ · 难度 3）— PagedAttention 会预占显存，单卡跑大模型要先算 KV cache，容易 OOM。
- SGLang（Docker · 显存 24G+ · 难度 4）— 版本迭代快，和特定模型/显卡的兼容矩阵要现查，不适合当稳定底座。
- Xinference（Docker · 显存 8G · 难度 2）— 模型能力不如手调 vLLM，重负载场景性能有差距。
把 llama.cpp 和同类并排对比 →