模型越压越小，它却开始原地打转说胡话

把大模型塞进旧显卡，第一反应总是把量化等级往下压：Q8 装不下就 Q4，Q4 还紧张就 Q2。表面上看，显存占用一路走低，token 生成速度一路走高，账算得很漂亮。可真正跑起来，模型会开始绕圈——同一句话反复生成，突然拐到无关话题上，甚至一本正经地给出错误信息。 问题往往不在模型本身，而在那个被压得太狠的版本。 Q 这个字母代表量化（quantization），做法是把模型权重从高精度数据类型转换成更省资源、但精度更低的等价形式。以 Gemma-4-12B 为例，不量化的 BF16 版本需要 26.7 GB 显存；换成 8 位即 Q8，显存需求几乎砍半，但仍有 14GB ，一块 12GB 显存的 RTX 3080 Ti 依然装不下。Q4 才是这张卡的理想选择，可因为还要给上下文窗口留出额外显存，有人会退而求其次，去用社区制作的 Q2 变体——模型本体只占 4.2 到 4.5GB 。 数字上看，切到 Q2 甚至 Q3 能大幅提升性能，初学者折腾这些变体时想的也正是这一点。代价是推理能力被削掉一大块：这种高量化模型连老旧的 GTX 1080 都能塞进去，但它经常生成没完没了的循环、跑偏到随机支线、输出不正确的信息。 更划算的取舍是停在 Q4，个别场景用 Q5。它们能给出稳定的性能，又不至于把推理能力拖垮。反过来，就算挑一个参数更大的模型、再把量化压到 Q2，精度也会被削弱到这种程度：一个参数更少但用 Q4 的模型，反而能给出更准确的答案。 另一个容易被忽略的变量是聊天模板。在推理引擎里输入对话式查询时，聊天模板负责把它转换成模型能理解的那套特定提示格式。在 Qwen3.6 上把 enable_thinking 变量设为 true，可以帮助模型为笔记、书签和文档生成合适的标签；如果想让它更偏向编码任务，可以改系统角色，强制它按开发者身份思考，而不是当通用聊天模型用。 模板的作用是提供模型训练时认识的那种格式。选错模板，或者更糟——把 Gemma 4 和 Qwen3.6 的模板弄混，模型的准确率会大幅下降。 真正带来最大升级的，是换成具备混合专家（MoE）能力的模型。与其硬把稠密模型塞进显卡，不如用 MoE 模型同时吃 GPU 显存和系统内存，性能和推理能力都不会明显掉档。 MoE 模型通过路由机制，只激活整体参数中的一小部分，而不是为每个输入 token 触发全部参数。剩下的非激活参数不必常驻显存，可以通过 llama.cpp 的 --n-cpu-moe 参数卸载到系统内存；路由机制和激活权重则继续占用显卡显存，完成生产力应用的推理任务。 具体到数字：RTX 3080 Ti 跑 Qwen3.6-35B-A3B（Q4_K_M）能到 24 tokens/秒 ，Pascal 架构的 GTX 1080 跑 Gemma-4-26B-A4B（Q4_K_M）也有 14+ tokens/秒 。只要不去追更高量化的版本，也不把聊天模板搞错，这些 MoE 变体足以撑起编码和生产力任务。 绕圈、跑偏、说胡话，看起来像模型坏了，实际是两个参数层面的选择出了偏差：量化压过了头，模板配错了人。换一个同款模型的不同版本，再把模板对上，问题就消失了。 特别