为了分析选项中关于OLS方法（最小二乘法）与梯度下降法、统计法、正则化的说法错误，我们可以逐一评估每个选项：

### 选项分析

- **A: 多元回归中，OLS可以处理多个自变量的情况，寻求残差平方和最小化；**
- **分析**：这是正确的。OLS法确实用于多元线性回归，可以处理多个自变量，并且通过最小化残差平方和来估计回归系数。

- **B: 大型的行和列不会写入内存；**
- **分析**：这是一种不正确的说法。在处理非常大规模的数据集时，OLS可能会面临内存问题，因为它需要加载数据矩阵到内存中。此选项描述的特性更接近于某些分布式计算方法或在线学习算法，而不是传统的OLS。

- **C: 计算变量的统计量，如均值、标准差、样本量等，依据这些信息就可以直接计算（一元）线性回归的系数；**
- **分析**：这也是错误的。虽然均值、标准差和样本量是有用的统计量，但它们本身不足以直接计算线性回归的系数。需要利用这些统计量计算出协方差等信息来最终确定回归系数。

- **D: 有利于消除共线性，但不能消除过拟合；**
- **分析**：OLS并不能消除共线性，共线性问题通常需要通过其他方法如正则化（岭回归、LASSO）来处理。OLS也容易出现过拟合问题，尤其在变量过多时。这种说法是不严谨的。

### 正确答案
- 选项 B 和 C 的描述都是不准确的，但更为明显的错误在于 B，因为它描述的特点并不适用于 OLS。结合对 A 和 D 的分析，B 是最不符合事实的。

因此，错误的说法是 **B**。