模型概述
模型特點
模型能力
使用案例
🚀 mlabonne的Qwen3-8B-abliterated的Llamacpp imatrix量化版本
本項目是對mlabonne的Qwen3-8B-abliterated模型進行量化處理的成果。通過特定的量化方法,使得模型在不同硬件條件下能更高效地運行,為用戶提供了多種量化類型的選擇,以滿足不同的性能和質量需求。
🚀 快速開始
本項目使用 llama.cpp 的 b5200 版本進行量化。
- 原始模型地址:https://huggingface.co/mlabonne/Qwen3-8B-abliterated
- 所有量化模型均使用
imatrix
選項,並採用了 此處 的數據集。
你可以在以下環境中運行這些量化模型:
✨ 主要特性
提示格式
<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
模型下載
你可以從以下表格中選擇並下載所需的文件(非整個分支):
文件名 | 量化類型 | 文件大小 | 拆分情況 | 描述 |
---|---|---|---|---|
Qwen3-8B-abliterated-bf16.gguf | bf16 | 16.39GB | false | 完整的BF16權重。 |
Qwen3-8B-abliterated-Q8_0.gguf | Q8_0 | 8.71GB | false | 極高質量,通常不需要,但為最大可用量化。 |
Qwen3-8B-abliterated-Q6_K_L.gguf | Q6_K_L | 7.03GB | false | 嵌入和輸出權重使用Q8_0。非常高質量,接近完美,推薦。 |
Qwen3-8B-abliterated-Q6_K.gguf | Q6_K | 6.73GB | false | 非常高質量,接近完美,推薦。 |
Qwen3-8B-abliterated-Q5_K_L.gguf | Q5_K_L | 6.24GB | false | 嵌入和輸出權重使用Q8_0。高質量,推薦。 |
Qwen3-8B-abliterated-Q5_K_M.gguf | Q5_K_M | 5.85GB | false | 高質量,推薦。 |
Qwen3-8B-abliterated-Q5_K_S.gguf | Q5_K_S | 5.72GB | false | 高質量,推薦。 |
Qwen3-8B-abliterated-Q4_K_L.gguf | Q4_K_L | 5.49GB | false | 嵌入和輸出權重使用Q8_0。質量良好,推薦。 |
Qwen3-8B-abliterated-Q4_1.gguf | Q4_1 | 5.25GB | false | 舊格式,性能與Q4_K_S相似,但在Apple硅芯片上每瓦處理的令牌數有所提高。 |
Qwen3-8B-abliterated-Q4_K_M.gguf | Q4_K_M | 5.03GB | false | 質量良好,是大多數用例的默認大小,推薦。 |
Qwen3-8B-abliterated-Q3_K_XL.gguf | Q3_K_XL | 4.98GB | 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。 |
Qwen3-8B-abliterated-Q4_K_S.gguf | Q4_K_S | 4.80GB | false | 質量略低,但節省空間,推薦。 |
Qwen3-8B-abliterated-Q4_0.gguf | Q4_0 | 4.79GB | false | 舊格式,支持為ARM和AVX CPU推理進行在線重新打包。 |
Qwen3-8B-abliterated-IQ4_NL.gguf | IQ4_NL | 4.79GB | false | 與IQ4_XS相似,但略大。支持為ARM CPU推理進行在線重新打包。 |
Qwen3-8B-abliterated-IQ4_XS.gguf | IQ4_XS | 4.56GB | false | 質量尚可,比Q4_K_S小,性能相似,推薦。 |
Qwen3-8B-abliterated-Q3_K_L.gguf | Q3_K_L | 4.43GB | false | 質量較低但可用,適合低內存情況。 |
Qwen3-8B-abliterated-Q3_K_M.gguf | Q3_K_M | 4.12GB | false | 低質量。 |
Qwen3-8B-abliterated-IQ3_M.gguf | IQ3_M | 3.90GB | false | 中低質量,新方法,性能與Q3_K_M相當。 |
Qwen3-8B-abliterated-Q2_K_L.gguf | Q2_K_L | 3.89GB | 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。 |
Qwen3-8B-abliterated-Q3_K_S.gguf | Q3_K_S | 3.77GB | false | 低質量,不推薦。 |
Qwen3-8B-abliterated-IQ3_XS.gguf | IQ3_XS | 3.63GB | false | 質量較低,新方法,性能尚可,略優於Q3_K_S。 |
Qwen3-8B-abliterated-IQ3_XXS.gguf | IQ3_XXS | 3.37GB | false | 質量較低,新方法,性能尚可,與Q3量化相當。 |
Qwen3-8B-abliterated-Q2_K.gguf | Q2_K | 3.28GB | false | 質量非常低,但出人意料地可用。 |
Qwen3-8B-abliterated-IQ2_M.gguf | IQ2_M | 3.05GB | false | 質量相對較低,使用了最先進的技術,出人意料地可用。 |
嵌入/輸出權重
部分量化模型(如Q3_K_XL、Q4_K_L等)採用了標準量化方法,將嵌入和輸出權重量化為Q8_0,而非默認值。
📦 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/mlabonne_Qwen3-8B-abliterated-GGUF --include "mlabonne_Qwen3-8B-abliterated-Q4_K_M.gguf" --local-dir ./
如果模型大小超過50GB,它將被拆分為多個文件。要將它們全部下載到本地文件夾,請運行:
huggingface-cli download bartowski/mlabonne_Qwen3-8B-abliterated-GGUF --include "mlabonne_Qwen3-8B-abliterated-Q8_0/*" --local-dir ./
你可以指定一個新的本地目錄(如 mlabonne_Qwen3-8B-abliterated-Q8_0
),也可以將它們全部下載到當前目錄(./
)。
🔧 技術細節
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,現在有一種稱為“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,如果你想獲得略好的質量,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在性能上的潛在理論提升。
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。
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,可查看 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系統內存(RAM)和/或顯存(VRAM)。
如果你希望模型運行得儘可能快,你需要選擇一個文件大小比你的GPU顯存小1 - 2GB的量化模型。
如果你追求絕對的最高質量,將你的系統內存和GPU顯存相加,然後選擇一個文件大小比這個總和小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
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,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上使用,但比相應的K量化模型慢,因此你需要在速度和性能之間進行權衡。
📄 許可證
文檔中未提及相關許可證信息。
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/輸出實驗方面提供的靈感。 感謝LM Studio對本項目的贊助。
如果你想支持我的工作,請訪問我的ko-fi頁面:https://ko-fi.com/bartowski



