NVIDIA OpenReasoning-Nemotron-7B-GGUF开源模型 - 量化版提升硬件运行效率

Home

Nvidia OpenReasoning Nemotron 7B GGUF

Developed by bartowski

NVIDIA OpenReasoning-Nemotron-7B模型的量化版本，使用llama.cpp工具进行量化处理，提升在不同硬件上的运行效率和性能。

大型语言模型 #高效量化推理 #多场景推理优化 #低内存适配

Downloads 933

Release Time : 7/18/2025

Model Overview

该项目提供了NVIDIA OpenReasoning-Nemotron-7B模型的多种量化版本，适用于不同硬件配置，旨在优化推理速度和内存使用。

Model Features

多种量化选项

提供从Q8_0到Q2_K的多种量化级别，满足不同硬件和性能需求。

优化硬件兼容性

支持ARM和AVX CPU推理的在线重新打包，提升在特定硬件上的性能。

高质量推理

部分量化版本（如Q6_K_L）保持接近原始模型的推理质量。

灵活部署

支持在LM Studio、llama.cpp及基于llama.cpp的项目中运行。

Model Capabilities

文本生成

逻辑推理

多轮对话

提示工程

Use Cases

研究与开发

模型性能测试

测试不同量化级别在特定硬件上的性能表现。

提供详细的量化级别与性能对比数据

应用部署

本地推理服务

在资源受限的设备上部署高效的文本生成服务。

降低内存占用同时保持可接受的生成质量

🚀 NVIDIA OpenReasoning-Nemotron-7B的Llamacpp imatrix量化版本

本项目提供了NVIDIA OpenReasoning-Nemotron-7B模型的量化版本，使用llama.cpp工具进行量化处理，旨在提升模型在不同硬件上的运行效率和性能。

🚀 快速开始

使用 llama.cpp 发布版本 b5934 进行量化。原始模型：https://huggingface.co/nvidia/OpenReasoning-Nemotron-7B 所有量化版本均使用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。

✨ 主要特性

提示格式

<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant

下载文件

你可以从以下列表中选择下载单个文件（而非整个分支）：

文件名	量化类型	文件大小	拆分情况	描述
OpenReasoning-Nemotron-7B-bf16.gguf	bf16	15.24GB	否	完整的BF16权重。
OpenReasoning-Nemotron-7B-Q8_0.gguf	Q8_0	8.10GB	否	极高质量，通常无需使用，但为可用的最高量化级别。
OpenReasoning-Nemotron-7B-Q6_K_L.gguf	Q6_K_L	6.52GB	否	嵌入和输出权重使用Q8_0。非常高的质量，近乎完美，推荐。
OpenReasoning-Nemotron-7B-Q6_K.gguf	Q6_K	6.25GB	否	非常高的质量，近乎完美，推荐。
OpenReasoning-Nemotron-7B-Q5_K_L.gguf	Q5_K_L	5.78GB	否	嵌入和输出权重使用Q8_0。高质量，推荐。
OpenReasoning-Nemotron-7B-Q5_K_M.gguf	Q5_K_M	5.44GB	否	高质量，推荐。
OpenReasoning-Nemotron-7B-Q5_K_S.gguf	Q5_K_S	5.32GB	否	高质量，推荐。
OpenReasoning-Nemotron-7B-Q4_K_L.gguf	Q4_K_L	5.09GB	否	嵌入和输出权重使用Q8_0。质量良好，推荐。
OpenReasoning-Nemotron-7B-Q4_1.gguf	Q4_1	4.87GB	否	旧格式，性能与Q4_K_S相似，但在苹果硅芯片上的每瓦令牌数有所提高。
OpenReasoning-Nemotron-7B-Q4_K_M.gguf	Q4_K_M	4.68GB	否	质量良好，是大多数用例的默认大小，推荐。
OpenReasoning-Nemotron-7B-Q3_K_XL.gguf	Q3_K_XL	4.57GB	否	嵌入和输出权重使用Q8_0。质量较低但可用，适合低内存场景。
OpenReasoning-Nemotron-7B-Q4_K_S.gguf	Q4_K_S	4.46GB	否	质量稍低，但节省更多空间，推荐。
OpenReasoning-Nemotron-7B-Q4_0.gguf	Q4_0	4.44GB	否	旧格式，支持ARM和AVX CPU推理的在线重新打包。
OpenReasoning-Nemotron-7B-IQ4_NL.gguf	IQ4_NL	4.44GB	否	与IQ4_XS相似，但稍大。支持ARM CPU推理的在线重新打包。
OpenReasoning-Nemotron-7B-IQ4_XS.gguf	IQ4_XS	4.22GB	否	质量不错，比Q4_K_S小且性能相似，推荐。
OpenReasoning-Nemotron-7B-Q3_K_L.gguf	Q3_K_L	4.09GB	否	质量较低但可用，适合低内存场景。
OpenReasoning-Nemotron-7B-Q3_K_M.gguf	Q3_K_M	3.81GB	否	低质量。
OpenReasoning-Nemotron-7B-IQ3_M.gguf	IQ3_M	3.57GB	否	中低质量，新方法，性能与Q3_K_M相当。
OpenReasoning-Nemotron-7B-Q2_K_L.gguf	Q2_K_L	3.55GB	否	嵌入和输出权重使用Q8_0。质量非常低，但出奇地可用。
OpenReasoning-Nemotron-7B-Q3_K_S.gguf	Q3_K_S	3.49GB	否	低质量，不推荐。
OpenReasoning-Nemotron-7B-IQ3_XS.gguf	IQ3_XS	3.35GB	否	质量较低，新方法，性能不错，略优于Q3_K_S。
OpenReasoning-Nemotron-7B-IQ3_XXS.gguf	IQ3_XXS	3.11GB	否	质量较低，新方法，性能不错，与Q3量化相当。
OpenReasoning-Nemotron-7B-Q2_K.gguf	Q2_K	3.02GB	否	质量非常低，但出奇地可用。
OpenReasoning-Nemotron-7B-IQ2_M.gguf	IQ2_M	2.78GB	否	相对较低的质量，使用了最先进的技术，出奇地可用。

嵌入/输出权重

部分量化版本（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。

📦 安装指南

使用huggingface-cli下载

点击查看下载说明

首先，确保你已安装huggingface-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/nvidia_OpenReasoning-Nemotron-7B-GGUF --include "nvidia_OpenReasoning-Nemotron-7B-Q4_K_M.gguf" --local-dir ./

如果模型大小超过50GB，它将被拆分为多个文件。要将它们全部下载到本地文件夹，请运行：

huggingface-cli download bartowski/nvidia_OpenReasoning-Nemotron-7B-GGUF --include "nvidia_OpenReasoning-Nemotron-7B-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如nvidia_OpenReasoning-Nemotron-7B-Q8_0），也可以将它们全部下载到当前目录（./）。

🔧 技术细节

ARM/AVX信息

以前，你会下载Q4_0_4_4/4_8/8_8版本，这些版本的权重在内存中交错排列，以便在ARM和AVX机器上通过一次加载更多数据来提高性能。

然而，现在有了一种称为“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且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，如果你想获得更好的质量，可以使用IQ4_NL，这要归功于此PR，它也会为ARM重新打包权重，不过目前仅支持4_4版本。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	测试用例	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%