Remnant-GLM4-32B開源大語言模型 - 支持角色扮演對話，適用於蠑螈應用

首頁

Allura Org Remnant Glm4 32b GGUF

由bartowski開發

Remnant-GLM4-32B 是一個基於 GLM4 架構的 32B 參數大語言模型，支持角色扮演和對話式交互，特別適合蠑螈相關的應用場景。

大型語言模型開源協議:Apache-2.0 #高精度量化 #角色扮演對話 #多場景適配

下載量 2,198

發布時間 : 5/4/2025

模型概述

該模型是一個量化版本的大語言模型，支持文本生成任務，特別優化了角色扮演和對話式交互能力。

模型特點

高效量化

使用 llama.cpp 進行 imatrix 量化，提供多種量化選項，適合不同硬件環境。

角色扮演優化

特別優化了角色扮演和對話式交互能力，適合遊戲和虛擬角色應用。

多量化選項

提供從 Q8_0 到 IQ2_XXS 的多種量化版本，滿足不同性能和存儲需求。

模型能力

文本生成

角色扮演

對話式交互

使用案例

遊戲

虛擬角色對話

在遊戲中生成虛擬角色的對話內容，增強玩家沉浸感。

娛樂

角色扮演聊天

用於生成角色扮演聊天內容，適合社交平臺或聊天應用。

🚀 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。