huihui-ai_DeepSeek-R1-Distill-Llama-70B-abliterated-GGUF开源模型

Home

Huihui Ai DeepSeek R1 Distill Llama 70B Abliterated GGUF

Developed by bartowski

DeepSeek-R1-Distill-Llama-70B-abliterated 的 GGUF 量化版本，适用于本地推理，提供多种量化选项以满足不同硬件需求。

大型语言模型 #高精度量化 #大语言模型 #多场景适配

Downloads 7,848

Release Time : 2/1/2025

Model Overview

该模型是 DeepSeek-R1-Distill-Llama-70B-abliterated 的 GGUF 量化版本，支持多种量化精度，适用于本地部署和推理任务。

Model Features

多种量化选项

提供从 Q8_0 到 IQ1_M 的多种量化选项，满足不同硬件和性能需求。

高质量推理

Q6_K 和 Q5_K_M 等高质量量化选项提供接近无损的推理效果。

低内存需求

低精度量化选项（如 IQ2_XXS）适用于内存有限的设备。

前沿量化技术

支持 IQ 系列前沿量化技术，提供更高效的推理性能。

Model Capabilities

文本生成

对话系统

问答系统

多语言支持

Use Cases

自然语言处理

文本生成

用于生成高质量文本内容，如文章、故事等。

生成文本流畅且符合上下文逻辑。

对话系统

用于构建智能对话机器人，提供自然流畅的对话体验。

对话响应自然，上下文理解能力强。

教育

问答系统

用于构建教育领域的问答系统，解答学生问题。

回答准确且详细，适合教育场景。

🚀 huihui-ai的DeepSeek-R1-Distill-Llama-70B-abliterated的Llamacpp imatrix量化

本项目使用 llama.cpp 发布版本 b4585 进行量化。

原始模型：https://huggingface.co/huihui-ai/DeepSeek-R1-Distill-Llama-70B-abliterated

所有量化均使用imatrix选项，并采用来自此处的数据集。

你可以在 LM Studio 中运行这些量化模型，也可以直接使用 llama.cpp 或任何基于llama.cpp的项目来运行。

🚀 快速开始

提示格式

<｜begin▁of▁sentence｜>{system_prompt}<｜User｜>{prompt}<｜Assistant｜><｜end▁of▁sentence｜><｜Assistant｜>

下载文件

你可以从以下列表中下载单个文件（而非整个分支）：

文件名	量化类型	文件大小	是否分割	描述
DeepSeek-R1-Distill-Llama-70B-abliterated-Q8_0.gguf	Q8_0	74.98GB	true	极高质量，通常不需要，但为可用的最高量化级别。
DeepSeek-R1-Distill-Llama-70B-abliterated-Q6_K.gguf	Q6_K	57.89GB	true	非常高质量，近乎完美，推荐使用。
DeepSeek-R1-Distill-Llama-70B-abliterated-Q5_K_M.gguf	Q5_K_M	49.95GB	true	高质量，推荐使用。
DeepSeek-R1-Distill-Llama-70B-abliterated-Q5_K_S.gguf	Q5_K_S	48.66GB	false	高质量，推荐使用。
DeepSeek-R1-Distill-Llama-70B-abliterated-Q4_1.gguf	Q4_1	44.31GB	false	旧格式，性能与Q4_K_S相似，但在Apple硅芯片上的每瓦令牌数有所提高。
DeepSeek-R1-Distill-Llama-70B-abliterated-Q4_K_M.gguf	Q4_K_M	42.52GB	false	质量良好，是大多数用例的默认大小，推荐使用。
DeepSeek-R1-Distill-Llama-70B-abliterated-Q4_K_S.gguf	Q4_K_S	40.35GB	false	质量略低，但节省更多空间，推荐使用。
DeepSeek-R1-Distill-Llama-70B-abliterated-Q4_0.gguf	Q4_0	40.12GB	false	旧格式，可为ARM和AVX CPU推理提供在线重新打包。
DeepSeek-R1-Distill-Llama-70B-abliterated-IQ4_NL.gguf	IQ4_NL	40.05GB	false	与IQ4_XS相似，但略大。可为ARM CPU推理提供在线重新打包。
DeepSeek-R1-Distill-Llama-70B-abliterated-Q3_K_XL.gguf	Q3_K_XL	38.06GB	false	对嵌入和输出权重使用Q8_0。质量较低但可用，适合低内存情况。
DeepSeek-R1-Distill-Llama-70B-abliterated-IQ4_XS.gguf	IQ4_XS	37.90GB	false	质量不错，比Q4_K_S小且性能相似，推荐使用。
DeepSeek-R1-Distill-Llama-70B-abliterated-Q3_K_L.gguf	Q3_K_L	37.14GB	false	质量较低但可用，适合低内存情况。
DeepSeek-R1-Distill-Llama-70B-abliterated-Q3_K_M.gguf	Q3_K_M	34.27GB	false	低质量。
DeepSeek-R1-Distill-Llama-70B-abliterated-IQ3_M.gguf	IQ3_M	31.94GB	false	中低质量，新方法，性能与Q3_K_M相当。
DeepSeek-R1-Distill-Llama-70B-abliterated-Q3_K_S.gguf	Q3_K_S	30.91GB	false	低质量，不推荐使用。
DeepSeek-R1-Distill-Llama-70B-abliterated-IQ3_XXS.gguf	IQ3_XXS	27.47GB	false	质量较低，新方法，性能与Q3量化相当。
DeepSeek-R1-Distill-Llama-70B-abliterated-Q2_K_L.gguf	Q2_K_L	27.40GB	false	对嵌入和输出权重使用Q8_0。质量非常低但出人意料地可用。
DeepSeek-R1-Distill-Llama-70B-abliterated-Q2_K.gguf	Q2_K	26.38GB	false	质量非常低但出人意料地可用。
DeepSeek-R1-Distill-Llama-70B-abliterated-IQ2_M.gguf	IQ2_M	24.12GB	false	质量相对较低，使用了最先进的技术，出人意料地可用。
DeepSeek-R1-Distill-Llama-70B-abliterated-IQ2_S.gguf	IQ2_S	22.24GB	false	质量较低，使用了最先进的技术，可用。
DeepSeek-R1-Distill-Llama-70B-abliterated-IQ2_XS.gguf	IQ2_XS	21.14GB	false	质量较低，使用了最先进的技术，可用。
DeepSeek-R1-Distill-Llama-70B-abliterated-IQ2_XXS.gguf	IQ2_XXS	19.10GB	false	质量非常低，使用了最先进的技术，可用。
DeepSeek-R1-Distill-Llama-70B-abliterated-IQ1_M.gguf	IQ1_M	16.75GB	false	质量极低，不推荐使用。

📚 详细文档

嵌入/输出权重

部分量化（如Q3_K_XL、Q4_K_L等）采用标准量化方法，将嵌入和输出权重量化为Q8_0，而非默认值。

使用huggingface-cli下载

点击查看下载说明

首先，确保你已安装hugginface-cli：

pip install -U "huggingface_hub[cli]"

然后，你可以指定要下载的特定文件：

huggingface-cli download bartowski/huihui-ai_DeepSeek-R1-Distill-Llama-70B-abliterated-GGUF --include "huihui-ai_DeepSeek-R1-Distill-Llama-70B-abliterated-Q4_K_M.gguf" --local-dir ./

如果模型大于50GB，它将被分割成多个文件。若要将它们全部下载到本地文件夹，请运行：

huggingface-cli download bartowski/huihui-ai_DeepSeek-R1-Distill-Llama-70B-abliterated-GGUF --include "huihui-ai_DeepSeek-R1-Distill-Llama-70B-abliterated-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如huihui-ai_DeepSeek-R1-Distill-Llama-70B-abliterated-Q8_0），也可以将它们全部下载到当前目录（./）。

ARM/AVX信息

以前，你会下载Q4_0_4_4/4_8/8_8，这些模型的权重会在内存中交错排列，以便通过一次加载更多数据来提高ARM和AVX机器的性能。

然而，现在有了一种名为“在线重新打包”的权重处理方式，详情见此PR。如果你使用Q4_0，并且你的硬件能从重新打包权重中受益，它将自动实时进行处理。

从llama.cpp构建版本 b4282 开始，你将无法运行Q4_0_X_X文件，而需要使用Q4_0。

此外，如果你想获得略高的质量，可以使用IQ4_NL，这得益于此PR，它也会为ARM重新打包权重，不过目前仅适用于4_4。加载时间可能会更长，但总体速度会提高。

点击查看Q4_0_X_X信息（已弃用）

我保留这部分内容是为了展示使用支持在线重新打包的Q4_0在性能上的潜在理论提升。

点击查看AVX2系统（EPYC7702）上的基准测试

模型	大小	参数	后端	线程数	测试	令牌/秒	与Q4_0相比的百分比
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	pp512	204.03 ± 1.03	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	pp1024	282.92 ± 0.19	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	pp2048	259.49 ± 0.44	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	tg128	39.12 ± 0.27	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	tg256	39.31 ± 0.69	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	tg512	40.52 ± 0.03	100%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	pp512	301.02 ± 1.74	147%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	pp1024	287.23 ± 0.20	101%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	pp2048	262.77 ± 1.81	101%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	tg128	18.80 ± 0.99	48%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	tg256	24.46 ± 3.04	83%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	tg512	36.32 ± 3.59	90%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	pp512	271.71 ± 3.53	133%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	pp1024	279.86 ± 45.63	100%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	pp2048	320.77 ± 5.00	124%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	tg128	43.51 ± 0.05	111%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	tg256	43.35 ± 0.09	110%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	tg512	42.60 ± 0.31	105%