L3.3-MS-Nevoria-70b-GGUF開源模型 - 多級別量化適配不同硬件環境

首頁

L3.3 MS Nevoria 70b GGUF

由bartowski開發

基於Steelskull/L3.3-MS-Nevoria-70b模型的量化版本，使用llama.cpp進行imatrix量化，支持多種量化級別，適用於不同硬件環境。

大型語言模型 #高精度量化 #多場景推薦 #低RAM適配

下載量 5,252

發布時間 : 1/14/2025

模型概述

這是一個70B參數規模的大語言模型量化版本，主要用於文本生成任務，支持在LM Studio等環境中運行。

模型特點

多量化級別

提供從Q8_0到IQ1_M等多種量化級別，滿足不同硬件和性能需求。

imatrix量化

使用llama.cpp的imatrix選項進行量化，提升模型性能。

硬件優化

支持ARM和AVX設備，通過在線重打包技術優化性能。

分片存儲

大模型文件採用分片存儲，便於下載和管理。

模型能力

文本生成

多輪對話

系統提示響應

使用案例

對話系統

智能助手

可用於構建智能對話助手，響應複雜用戶查詢。

內容生成

創意寫作

支持生成故事、詩歌等創意內容。

🚀 L3.3-MS-Nevoria-70b的Llamacpp imatrix量化模型

本項目提供了基於llama.cpp對L3.3-MS-Nevoria-70b模型進行量化後的版本，解決了在不同硬件條件下高效運行大模型的問題，幫助用戶根據自身設備資源選擇合適的量化模型，提升模型的運行效率和使用體驗。

🚀 快速開始

本項目使用 llama.cpp 版本 b4456 進行量化。原始模型可從這裡獲取。所有量化模型均使用imatrix選項，並基於此數據集生成。你可以在 LM Studio 中運行這些量化模型。

提示格式

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

{system_prompt}<|eot_id|><|start_header_id|>user<|end_header_id|>

{prompt}<|eot_id|><|start_header_id|>assistant<|end_header_id|>

📦 安裝指南

使用huggingface-cli下載

點擊查看下載說明

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/L3.3-MS-Nevoria-70b-GGUF --include "L3.3-MS-Nevoria-70b-Q4_K_M.gguf" --local-dir ./

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

huggingface-cli download bartowski/L3.3-MS-Nevoria-70b-GGUF --include "L3.3-MS-Nevoria-70b-Q8_0/*" --local-dir ./

你可以指定一個新的本地目錄（如L3.3-MS-Nevoria-70b-Q8_0），也可以將它們全部下載到當前目錄（./）。

💻 使用示例

下載文件

你可以從以下表格中選擇要下載的文件（不是整個分支）：

文件名	量化類型	文件大小	是否分割	描述
L3.3-MS-Nevoria-70b-Q8_0.gguf	Q8_0	74.98GB	true	極高質量，通常不需要，但為可用的最高量化級別。
L3.3-MS-Nevoria-70b-Q6_K.gguf	Q6_K	57.89GB	true	非常高的質量，接近完美，推薦。
L3.3-MS-Nevoria-70b-Q5_K_M.gguf	Q5_K_M	49.95GB	true	高質量，推薦。
L3.3-MS-Nevoria-70b-Q5_K_S.gguf	Q5_K_S	48.66GB	false	高質量，推薦。
L3.3-MS-Nevoria-70b-Q4_1.gguf	Q4_1	44.31GB	false	舊格式，性能與Q4_K_S相似，但在Apple硅芯片上的每瓦令牌數有所提高。
L3.3-MS-Nevoria-70b-Q4_K_M.gguf	Q4_K_M	42.52GB	false	質量良好，是大多數用例的默認大小，推薦。
L3.3-MS-Nevoria-70b-Q4_K_S.gguf	Q4_K_S	40.35GB	false	質量稍低，但節省更多空間，推薦。
L3.3-MS-Nevoria-70b-Q4_0.gguf	Q4_0	40.12GB	false	舊格式，支持為ARM和AVX CPU推理進行在線重新打包。
L3.3-MS-Nevoria-70b-IQ4_NL.gguf	IQ4_NL	40.05GB	false	與IQ4_XS相似，但稍大。支持為ARM CPU推理進行在線重新打包。
L3.3-MS-Nevoria-70b-Q3_K_XL.gguf	Q3_K_XL	38.06GB	false	嵌入和輸出權重使用Q8_0。質量較低但可用，適合低內存情況。
L3.3-MS-Nevoria-70b-IQ4_XS.gguf	IQ4_XS	37.90GB	false	質量不錯，比Q4_K_S小，性能相似，推薦。
L3.3-MS-Nevoria-70b-Q3_K_L.gguf	Q3_K_L	37.14GB	false	質量較低但可用，適合低內存情況。
L3.3-MS-Nevoria-70b-Q3_K_M.gguf	Q3_K_M	34.27GB	false	低質量。
L3.3-MS-Nevoria-70b-IQ3_M.gguf	IQ3_M	31.94GB	false	中低質量，新方法，性能與Q3_K_M相當。
L3.3-MS-Nevoria-70b-Q3_K_S.gguf	Q3_K_S	30.91GB	false	低質量，不推薦。
L3.3-MS-Nevoria-70b-IQ3_XXS.gguf	IQ3_XXS	27.47GB	false	質量較低，新方法，性能與Q3量化相當。
L3.3-MS-Nevoria-70b-Q2_K_L.gguf	Q2_K_L	27.40GB	false	嵌入和輸出權重使用Q8_0。質量非常低，但出乎意料地可用。
L3.3-MS-Nevoria-70b-Q2_K.gguf	Q2_K	26.38GB	false	質量非常低，但出乎意料地可用。
L3.3-MS-Nevoria-70b-IQ2_M.gguf	IQ2_M	24.12GB	false	質量相對較低，使用最先進的技術，出乎意料地可用。
L3.3-MS-Nevoria-70b-IQ2_S.gguf	IQ2_S	22.24GB	false	質量低，使用最先進的技術，可用。
L3.3-MS-Nevoria-70b-IQ2_XS.gguf	IQ2_XS	21.14GB	false	質量低，使用最先進的技術，可用。
L3.3-MS-Nevoria-70b-IQ2_XXS.gguf	IQ2_XXS	19.10GB	false	質量非常低，使用最先進的技術，可用。
L3.3-MS-Nevoria-70b-IQ1_M.gguf	IQ1_M	16.75GB	false	質量極低，不推薦。

📚 詳細文檔

嵌入/輸出權重

部分量化模型（如Q3_K_XL、Q4_K_L等）採用標準量化方法，將嵌入和輸出權重量化為Q8_0，而非默認值。

ARM/AVX信息

以前，你會下載Q4_0_4_4/4_8/8_8，這些模型的權重會在內存中交錯排列，以便在ARM和AVX機器上通過一次加載更多數據來提高性能。

然而，現在有一種名為“在線重新打包”的權重處理方式，詳情見此PR。如果你使用Q4_0，並且你的硬件能從重新打包權重中受益，它會自動即時進行處理。

從llama.cpp構建版本 b4282 開始，你將無法運行Q4_0_X_X文件，而需要使用Q4_0。

此外，如果你想獲得稍好的質量，可以使用IQ4_NL，這得益於此PR，它也會為ARM重新打包權重，不過目前僅支持4_4。加載時間可能會更長，但總體速度會提高。

點擊查看Q4_0_X_X信息（已棄用）

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在理論上的性能提升。

點擊查看AVX2系統（EPYC7702）上的基準測試

模型	大小	參數	後端	線程數	測試類型	每秒令牌數	與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%

Q4_0_8_8在提示處理方面有顯著提升，在文本生成方面有小幅提升。

選擇合適的文件

點擊查看詳情

Artefact2 提供了一篇很棒的文章，帶有展示各種性能的圖表，見此處。

首先，你需要確定你能運行多大的模型。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，你需要將整個模型放入GPU的顯存中。選擇文件大小比GPU總顯存小1 - 2GB的量化模型。

如果你追求絕對最高質量，將系統內存和GPU顯存相加，然後選擇文件大小比該總和小1 - 2GB的量化模型。

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K量化模型。它們的格式為“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量化模型。它們的格式為IQX_X，如IQ3_M。這些是較新的模型，在相同大小下提供更好的性能。

這些I量化模型也可以在CPU和Apple Metal上使用，但比對應的K量化模型慢，因此你需要在速度和性能之間做出權衡。

I量化模型不與Vulcan（也是AMD）兼容，所以如果你有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。

🔧 技術細節

本項目使用llama.cpp的特定版本（b4456）對L3.3-MS-Nevoria-70b模型進行量化。量化過程中採用了imatrix選項，並基於特定的校準數據集進行處理。部分量化模型對嵌入和輸出權重進行了特殊處理，量化為Q8_0。同時，引入了“在線重新打包”的權重處理方式，以提高ARM和AVX機器上的性能。