模型概述
模型特點
模型能力
使用案例
🚀 NVIDIA OpenCodeReasoning-Nemotron-32B-IOI的Llamacpp imatrix量化版本
本項目是對NVIDIA的OpenCodeReasoning-Nemotron-32B-IOI模型進行的量化處理,使用了llamacpp工具,旨在為不同硬件條件的用戶提供更靈活的模型使用方案。
基本信息
屬性 | 詳情 |
---|---|
量化者 | bartowski |
任務類型 | 文本生成 |
語言 | 英文 |
許可證 | Apache-2.0 |
基礎模型關係 | 量化版本 |
基礎模型 | nvidia/OpenCodeReasoning-Nemotron-32B-IOI |
標籤 | nvidia, code |
數據集 | nvidia/OpenCodeReasoning |
🚀 快速開始
本項目使用 llama.cpp 的 b5306 版本進行量化。原始模型可在 這裡 查看。
所有量化模型均使用 imatrix 選項和來自 此處 的數據集生成。你可以在 LM Studio 中運行這些模型,也可以直接使用 llama.cpp 或任何基於 llama.cpp 的項目來運行。
✨ 主要特性
- 多種量化類型:提供了豐富的量化類型供用戶選擇,以滿足不同的硬件和性能需求。
- 在線重打包:部分量化模型支持在線重打包,可在運行時自動優化性能。
- 詳細文檔:提供了詳細的下載和使用說明,方便用戶操作。
📦 安裝指南
使用huggingface-cli下載
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具體文件:
huggingface-cli download bartowski/nvidia_OpenCodeReasoning-Nemotron-32B-IOI-GGUF --include "nvidia_OpenCodeReasoning-Nemotron-32B-IOI-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/nvidia_OpenCodeReasoning-Nemotron-32B-IOI-GGUF --include "nvidia_OpenCodeReasoning-Nemotron-32B-IOI-Q8_0/*" --local-dir ./
你可以指定一個新的本地目錄,也可以將它們全部下載到當前目錄。
💻 使用示例
提示格式
<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
📚 詳細文檔
下載文件列表
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,以便通過一次加載更多數據來提高ARM和AVX機器的性能。
然而,現在有了一種稱為“在線重打包”的權重處理方式,詳情見 此PR。如果你使用Q4_0,並且你的硬件可以從權重重打包中受益,它將在運行時自動進行。
從llama.cpp構建 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,感謝 此PR,它也會為ARM重打包權重,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。
如何選擇文件
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,可 點擊此處查看。
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RAM和/或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VRAM中。選擇文件大小比GPU總VRAM小1 - 2GB的量化模型。
如果你追求絕對最高質量,將系統RAM和GPU的VRAM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-quant”還是“K-quant”。
如果你不想考慮太多,選擇一個K-quant。這些模型的格式為“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特性圖表:
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-quants。這些模型的格式為IQX_X,如IQ3_M。它們是較新的模型,在相同大小下提供更好的性能。
這些I-quants也可以在CPU上使用,但比相應的K-quant慢,所以你需要在速度和性能之間做出權衡。
🔧 技術細節
Q4_0_X_X信息(已棄用)
保留此部分是為了展示使用帶有在線重打包的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在提示處理方面有不錯的提升,在文本生成方面有小幅提升。
📄 許可證
本項目使用Apache-2.0許可證。
致謝
感謝kalomaze和Dampf在創建imatrix校準數據集方面提供的幫助。
感謝ZeroWw在嵌入/輸出實驗方面的啟發。
感謝LM Studio對我工作的贊助。
如果你想支持我的工作,請訪問我的ko-fi頁面:https://ko-fi.com/bartowski



