Mistral Small 24B Instruct 2501 GGUF

首先，確保你已經安裝了huggingface-cli：

pip install -U "huggingface_hub[cli]"

然後，你可以指定要下載的特定文件：

huggingface-cli download bartowski/Mistral-Small-24B-Instruct-2501-GGUF --include "Mistral-Small-24B-Instruct-2501-Q4_K_M.gguf" --local-dir ./

如果模型大小超過50GB，它將被分割成多個文件。為了將它們全部下載到本地文件夾，請運行：

huggingface-cli download bartowski/Mistral-Small-24B-Instruct-2501-GGUF --include "Mistral-Small-24B-Instruct-2501-Q8_0/*" --local-dir ./

你可以指定一個新的本地目錄（如Mistral-Small-24B-Instruct-2501-Q8_0），也可以將它們全部下載到當前目錄（./）。

我保留這部分內容是為了展示使用支持在線重新打包的Q4_0在性能上的潛在理論提升。

Artefact2提供了一篇很棒的文章，帶有展示各種性能的圖表，可查看 此處。

首先，你需要確定你能夠運行多大的模型。為此，你需要了解你有多少內存（RAM）和/或顯存（VRAM）。

如果你希望模型運行得儘可能快，你需要將整個模型加載到GPU的顯存中。選擇一個文件大小比你的GPU總顯存小1 - 2GB的量化版本。

如果你追求絕對的最高質量，將系統內存和GPU顯存相加，然後選擇一個文件大小比這個總和小1 - 2GB的量化版本。

接下來，你需要決定是使用“I-量化”還是“K-量化”。

如果你不想考慮太多，選擇一個K-量化版本。這些版本的格式為“QX_K_X”，如Q5_K_M。

如果你想深入瞭解，可以查看這個非常有用的功能圖表：

llama.cpp功能矩陣

但基本上，如果你目標是低於Q4的量化，並且你使用的是cuBLAS（Nvidia）或rocBLAS（AMD），你應該考慮I-量化。這些版本的格式為IQX_X，如IQ3_M。這些是較新的版本，在相同大小下提供更好的性能。

這些I-量化版本也可以在CPU和Apple Metal上使用，但比相應的K-量化版本慢，因此你需要在速度和性能之間做出權衡。

I-量化版本與Vulcan（同樣適用於AMD）不兼容，因此如果你有AMD顯卡，請仔細檢查你使用的是rocBLAS版本還是Vulcan版本。在撰寫本文時，LM Studio有一個支持ROCm的預覽版，其他推理引擎也有針對ROCm的特定版本。