模型概述
模型特點
模型能力
使用案例
🚀 allura-org的remnant - glm4 - 32b的Llamacpp imatrix量化版本
本項目是對allura - org的remnant - glm4 - 32b模型進行量化處理,使用特定工具和方法生成了多種量化版本的模型文件,方便不同硬件和場景下的使用。
🚀 快速開始
使用 llama.cpp 版本 b5270 進行量化。 原始模型地址:https://huggingface.co/allura-org/remnant-glm4-32b 所有量化模型均使用imatrix選項,並採用來自 此處 的數據集。 可以在 LM Studio 中運行這些量化模型,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
- 提供多種量化類型的模型文件,滿足不同硬件和性能需求。
- 支持在線重新打包權重,提高在ARM和AVX機器上的性能。
- 部分量化模型使用Q8_0處理嵌入和輸出權重,提升質量。
📦 安裝指南
使用huggingface - cli下載
點擊查看下載說明
首先,確保你已安裝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/allura-org_remnant-glm4-32b-GGUF --include "allura-org_remnant-glm4-32b-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。若要將它們全部下載到本地文件夾,請運行: ``` huggingface-cli download bartowski/allura-org_remnant-glm4-32b-GGUF --include "allura-org_remnant-glm4-32b-Q8_0/*" --local-dir ./ ``` 你可以指定一個新的本地目錄(如allura - org_remnant - glm4 - 32b - Q8_0),也可以將它們全部下載到當前目錄(./)。💻 使用示例
提示格式
[gMASK]<sop><|system|>
{system_prompt}<|user|>
{prompt}<|assistant|>
📚 詳細文檔
下載文件選擇
文件名 | 量化類型 | 文件大小 | 分割情況 | 描述 |
---|---|---|---|---|
remnant-glm4-32b-bf16.gguf | bf16 | 65.14GB | true | 完整的BF16權重。 |
remnant-glm4-32b-Q8_0.gguf | Q8_0 | 34.62GB | false | 極高質量,通常不需要,但為最大可用量化。 |
remnant-glm4-32b-Q6_K_L.gguf | Q6_K_L | 27.18GB | false | 嵌入和輸出權重使用Q8_0。非常高質量,接近完美,推薦。 |
remnant-glm4-32b-Q6_K.gguf | Q6_K | 26.73GB | false | 非常高質量,接近完美,推薦。 |
remnant-glm4-32b-Q5_K_L.gguf | Q5_K_L | 23.67GB | false | 嵌入和輸出權重使用Q8_0。高質量,推薦。 |
remnant-glm4-32b-Q5_K_M.gguf | Q5_K_M | 23.10GB | false | 高質量,推薦。 |
remnant-glm4-32b-Q5_K_S.gguf | Q5_K_S | 22.53GB | false | 高質量,推薦。 |
remnant-glm4-32b-Q4_1.gguf | Q4_1 | 20.55GB | false | 舊格式,性能與Q4_K_S相似,但在Apple硅芯片上每瓦令牌數有所提高。 |
remnant-glm4-32b-Q4_K_L.gguf | Q4_K_L | 20.37GB | false | 嵌入和輸出權重使用Q8_0。質量良好,推薦。 |
remnant-glm4-32b-Q4_K_M.gguf | Q4_K_M | 19.68GB | false | 質量良好,為大多數用例的默認大小,推薦。 |
remnant-glm4-32b-Q4_K_S.gguf | Q4_K_S | 18.70GB | false | 質量稍低,但節省更多空間,推薦。 |
remnant-glm4-32b-Q4_0.gguf | Q4_0 | 18.63GB | false | 舊格式,支持為ARM和AVX CPU推理進行在線重新打包。 |
remnant-glm4-32b-IQ4_NL.gguf | IQ4_NL | 18.58GB | false | 與IQ4_XS相似,但稍大。支持為ARM CPU推理進行在線重新打包。 |
remnant-glm4-32b-Q3_K_XL.gguf | Q3_K_XL | 18.03GB | false | 嵌入和輸出權重使用Q8_0。質量較低但可用,適合低RAM情況。 |
remnant-glm4-32b-IQ4_XS.gguf | IQ4_XS | 17.60GB | false | 質量不錯,比Q4_K_S小,性能相似,推薦。 |
remnant-glm4-32b-Q3_K_L.gguf | Q3_K_L | 17.22GB | false | 質量較低但可用,適合低RAM情況。 |
remnant-glm4-32b-Q3_K_M.gguf | Q3_K_M | 15.89GB | false | 質量低。 |
remnant-glm4-32b-IQ3_M.gguf | IQ3_M | 14.82GB | false | 中低質量,新方法,性能與Q3_K_M相當。 |
remnant-glm4-32b-Q3_K_S.gguf | Q3_K_S | 14.37GB | false | 質量低,不推薦。 |
remnant-glm4-32b-IQ3_XS.gguf | IQ3_XS | 13.66GB | false | 質量較低,新方法,性能不錯,略優於Q3_K_S。 |
remnant-glm4-32b-Q2_K_L.gguf | Q2_K_L | 13.20GB | false | 嵌入和輸出權重使用Q8_0。質量非常低,但出人意料地可用。 |
remnant-glm4-32b-IQ3_XXS.gguf | IQ3_XXS | 12.78GB | false | 質量較低,新方法,性能不錯,與Q3量化相當。 |
remnant-glm4-32b-Q2_K.gguf | Q2_K | 12.29GB | false | 質量非常低,但出人意料地可用。 |
remnant-glm4-32b-IQ2_M.gguf | IQ2_M | 11.27GB | false | 質量相對較低,使用SOTA技術,出人意料地可用。 |
remnant-glm4-32b-IQ2_S.gguf | IQ2_S | 10.42GB | false | 質量低,使用SOTA技術可用。 |
remnant-glm4-32b-IQ2_XS.gguf | IQ2_XS | 9.90GB | false | 質量低,使用SOTA技術可用。 |
remnant-glm4-32b-IQ2_XXS.gguf | IQ2_XXS | 8.98GB | false | 質量非常低,使用SOTA技術可用。 |
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,現在有了所謂的權重“在線重新打包”功能,詳情見 此PR。如果你使用Q4_0,且硬件能從重新打包權重中受益,它將自動即時進行處理。 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,感謝 此PR,它也會為ARM重新打包權重,不過目前僅支持4_4。加載時間可能會較慢,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,鏈接為 [此處](https://gist.github.com/Artefact2/b5f810600771265fc1e39442288e8ec9)。 首先,你需要確定能運行多大的模型。為此,你需要了解自己有多少RAM和/或VRAM。 如果你希望模型運行速度儘可能快,你需要將整個模型放入GPU的VRAM中。目標是選擇文件大小比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 - 量化”還是“K - 量化”。 如果你不想考慮太多,選擇K - 量化模型,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:[llama.cpp特性矩陣](https://github.com/ggerganov/llama.cpp/wiki/Feature - matrix)。 但基本上,如果你目標是低於Q4的量化,並且使用cuBLAS(Nvidia)或rocBLAS(AMD),你應該考慮I - 量化模型,格式為IQX_X,如IQ3_M。這些是較新的模型,在相同大小下性能更好。 這些I - 量化模型也可以在CPU上使用,但速度會比相應的K - 量化模型慢,因此你需要在速度和性能之間做出權衡。🔧 技術細節
在線重新打包權重
以前,為提高ARM和AVX機器的性能,會下載Q4_0_4_4/4_8/8_8,其權重在內存中交錯排列。現在有了“在線重新打包”功能,詳情見 此PR。若使用Q4_0且硬件適合重新打包權重,會自動即時處理。從llama.cpp構建版本 b4282 起,無法運行Q4_0_X_X文件,需使用Q4_0。另外,藉助 此PR,使用IQ4_NL可獲得稍好質量,它也會為ARM重新打包權重(目前僅4_4),加載時間可能慢,但總體速度提高。
📄 許可證
本項目使用的許可證為apache - 2.0。
致謝
感謝kalomaze和Dampf協助創建imatrix校準數據集。 感謝ZeroWw在嵌入/輸出方面的啟發。 感謝LM Studio對本工作的贊助。 如果你想支持我的工作,請訪問我的ko - fi頁面:https://ko-fi.com/bartowski



