mlabonne_Qwen3-14B-abliterated-GGUF開源模型 - 免費部署助力文本生成任務

首頁

Mlabonne Qwen3 14B Abliterated GGUF

由bartowski開發

這是Qwen3-14B-abliterated模型的量化版本，使用llama.cpp的imatrix選項進行量化，適用於文本生成任務。

大型語言模型 #高精度量化 #多輪對話優化 #低資源部署

下載量 18.67k

發布時間 : 4/29/2025

模型概述

該模型是基於Qwen3-14B-abliterated的量化版本，支持多種量化類型，適用於文本生成任務，可在LM Studio或llama.cpp中運行。

模型特點

多種量化選項

提供從BF16到Q2_K的多種量化類型，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，優化模型性能。

廣泛兼容性

可在LM Studio、llama.cpp或任何基於llama.cpp的項目中運行。

模型能力

文本生成

多語言支持

使用案例

文本生成

對話系統

用於構建智能對話系統，生成自然語言響應。

內容創作

輔助生成文章、故事或其他文本內容。

🚀 mlabonne的Qwen3 - 14B - abliterated的Llamacpp imatrix量化

本項目使用 llama.cpp 的 b5270 版本進行量化。原模型地址為：https://huggingface.co/mlabonne/Qwen3 - 14B - abliterated。所有量化模型均使用 imatrix 選項，並採用此處的數據集。你可以在 LM Studio 中運行這些模型，也可以直接使用 llama.cpp 或其他基於 llama.cpp 的項目來運行。

🚀 快速開始

提示格式

<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant

新特性

mlabonne 提供了新的模型文件（仍在開發中）。

📦 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/mlabonne_Qwen3-14B-abliterated-GGUF --include "mlabonne_Qwen3-14B-abliterated-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/mlabonne_Qwen3-14B-abliterated-GGUF --include "mlabonne_Qwen3-14B-abliterated-Q8_0/*" --local-dir ./

你可以指定一個新的本地目錄（如 mlabonne_Qwen3 - 14B - abliterated - Q8_0），也可以將它們全部下載到當前目錄（./）。

📚 詳細文檔

下載文件

從以下列表中下載單個文件（而非整個分支）：

文件名	量化類型	文件大小	分割情況	描述
Qwen3-14B-abliterated-bf16.gguf	bf16	29.54GB	false	完整的 BF16 權重。
Qwen3-14B-abliterated-Q8_0.gguf	Q8_0	15.70GB	false	極高質量，通常不需要，但為最大可用量化。
Qwen3-14B-abliterated-Q6_K_L.gguf	Q6_K_L	12.50GB	false	嵌入和輸出權重使用 Q8_0。非常高質量，接近完美，推薦。
Qwen3-14B-abliterated-Q6_K.gguf	Q6_K	12.12GB	false	非常高質量，接近完美，推薦。
Qwen3-14B-abliterated-Q5_K_L.gguf	Q5_K_L	10.99GB	false	嵌入和輸出權重使用 Q8_0。高質量，推薦。
Qwen3-14B-abliterated-Q5_K_M.gguf	Q5_K_M	10.51GB	false	高質量，推薦。
Qwen3-14B-abliterated-Q5_K_S.gguf	Q5_K_S	10.26GB	false	高質量，推薦。
Qwen3-14B-abliterated-Q4_K_L.gguf	Q4_K_L	9.58GB	false	嵌入和輸出權重使用 Q8_0。質量良好，推薦。
Qwen3-14B-abliterated-Q4_1.gguf	Q4_1	9.39GB	false	舊格式，性能與 Q4_K_S 相似，但在蘋果硅芯片上的每瓦令牌數有所提高。
Qwen3-14B-abliterated-Q4_K_M.gguf	Q4_K_M	9.00GB	false	質量良好，是大多數用例的默認大小，推薦。
Qwen3-14B-abliterated-Q3_K_XL.gguf	Q3_K_XL	8.58GB	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。
Qwen3-14B-abliterated-Q4_K_S.gguf	Q4_K_S	8.57GB	false	質量略低，但節省空間，推薦。
Qwen3-14B-abliterated-Q4_0.gguf	Q4_0	8.54GB	false	舊格式，可為 ARM 和 AVX CPU 推理提供在線重新打包。
Qwen3-14B-abliterated-IQ4_NL.gguf	IQ4_NL	8.54GB	false	與 IQ4_XS 相似，但略大。可為 ARM CPU 推理提供在線重新打包。
Qwen3-14B-abliterated-IQ4_XS.gguf	IQ4_XS	8.11GB	false	質量不錯，比 Q4_K_S 小，性能相似，推薦。
Qwen3-14B-abliterated-Q3_K_L.gguf	Q3_K_L	7.90GB	false	質量較低但可用，適合低內存情況。
Qwen3-14B-abliterated-Q3_K_M.gguf	Q3_K_M	7.32GB	false	低質量。
Qwen3-14B-abliterated-IQ3_M.gguf	IQ3_M	6.88GB	false	中低質量，新方法，性能與 Q3_K_M 相當。
Qwen3-14B-abliterated-Q3_K_S.gguf	Q3_K_S	6.66GB	false	低質量，不推薦。
Qwen3-14B-abliterated-Q2_K_L.gguf	Q2_K_L	6.51GB	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。
Qwen3-14B-abliterated-IQ3_XS.gguf	IQ3_XS	6.38GB	false	質量較低，新方法，性能不錯，略優於 Q3_K_S。
Qwen3-14B-abliterated-IQ3_XXS.gguf	IQ3_XXS	5.94GB	false	質量較低，新方法，性能不錯，與 Q3 量化相當。
Qwen3-14B-abliterated-Q2_K.gguf	Q2_K	5.75GB	false	質量非常低，但出人意料地可用。
Qwen3-14B-abliterated-IQ2_M.gguf	IQ2_M	5.32GB	false	相對低質量，使用了最先進的技術，出人意料地可用。
Qwen3-14B-abliterated-IQ2_S.gguf	IQ2_S	4.96GB	false	低質量，使用了最先進的技術，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 模型，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，現在有了一種名為“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 且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 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，如果你想獲得略高的質量，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 情況。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 模型在理論上的性能提升。

點擊查看 AVX2 系統（EPYC7702）上的基準測試結果

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
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%