andrewzh_Absolute_Zero_Reasoner-Coder-14b-GGUF開源模型

首頁

Andrewzh Absolute Zero Reasoner Coder 14b GGUF

由bartowski開發

基於andrewzh的Absolute_Zero_Reasoner-Coder-14b模型，使用llama.cpp進行imatrix量化的版本，適用於推理和代碼生成任務。

大型語言模型 #高精度推理 #代碼生成優化 #多任務處理

下載量 1,995

發布時間 : 5/10/2025

模型概述

這是一個14B參數規模的推理與代碼生成模型，經過量化處理以降低資源需求，同時保持較高的性能。

模型特點

高效量化

提供多種量化選項，從高精度到低精度，滿足不同硬件需求。

推理優化

使用imatrix量化技術，優化推理性能。

多平臺支持

支持在LM Studio、llama.cpp等多種平臺上運行。

模型能力

文本生成

代碼生成

推理任務

使用案例

編程輔助

代碼補全

幫助開發者快速生成代碼片段。

提高編碼效率

文本生成

內容創作

生成文章、報告等文本內容。

提升內容創作效率

🚀 andrewzh的Absolute_Zero_Reasoner-Coder-14b的Llamacpp imatrix量化版本

本項目提供了andrewzh的Absolute_Zero_Reasoner-Coder-14b模型的量化版本，使用特定工具和方法進行量化處理，方便不同硬件條件下的使用。

🚀 快速開始

使用 llama.cpp 版本 b5338 進行量化。原始模型地址：https://huggingface.co/andrewzh/Absolute_Zero_Reasoner-Coder-14b 所有量化版本均使用imatrix選項，並採用了來自此處的數據集。你可以在 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

提示格式

{system_prompt}
{prompt}

多種量化版本

提供了豐富的量化版本供選擇，每個版本都有不同的量化類型、文件大小和特點，以滿足不同的性能和質量需求。

嵌入/輸出權重處理

部分量化版本（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，而非默認設置。

在線重打包功能

對於Q4_0量化版本，支持在線重打包權重，以提高在ARM和AVX機器上的性能。

📦 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/andrewzh_Absolute_Zero_Reasoner-Coder-14b-GGUF --include "andrewzh_Absolute_Zero_Reasoner-Coder-14b-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/andrewzh_Absolute_Zero_Reasoner-Coder-14b-GGUF --include "andrewzh_Absolute_Zero_Reasoner-Coder-14b-Q8_0/*" --local-dir ./

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

💻 使用示例

下載文件

從以下表格中選擇並下載所需的文件（不是整個分支）：

文件名	量化類型	文件大小	分割情況	描述
Absolute_Zero_Reasoner-Coder-14b-bf16.gguf	bf16	29.55GB	false	完整的BF16權重。
Absolute_Zero_Reasoner-Coder-14b-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。
Absolute_Zero_Reasoner-Coder-14b-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。
Absolute_Zero_Reasoner-Coder-14b-Q6_K.gguf	Q6_K	12.12GB	false	非常高質量，接近完美，推薦。
Absolute_Zero_Reasoner-Coder-14b-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。
Absolute_Zero_Reasoner-Coder-14b-Q5_K_M.gguf	Q5_K_M	10.51GB	false	高質量，推薦。
Absolute_Zero_Reasoner-Coder-14b-Q5_K_S.gguf	Q5_K_S	10.27GB	false	高質量，推薦。
Absolute_Zero_Reasoner-Coder-14b-Q4_K_L.gguf	Q4_K_L	9.57GB	false	嵌入和輸出權重使用Q8_0。質量良好，推薦。
Absolute_Zero_Reasoner-Coder-14b-Q4_1.gguf	Q4_1	9.39GB	false	舊格式，性能與Q4_K_S相似，但在Apple硅芯片上的每瓦令牌數有所提高。
Absolute_Zero_Reasoner-Coder-14b-Q4_K_M.gguf	Q4_K_M	8.99GB	false	質量良好，是大多數用例的默認大小，推薦。
Absolute_Zero_Reasoner-Coder-14b-Q3_K_XL.gguf	Q3_K_XL	8.61GB	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。
Absolute_Zero_Reasoner-Coder-14b-Q4_K_S.gguf	Q4_K_S	8.57GB	false	質量略低，但節省空間，推薦。
Absolute_Zero_Reasoner-Coder-14b-IQ4_NL.gguf	IQ4_NL	8.55GB	false	與IQ4_XS相似，但略大。支持ARM CPU推理的在線重打包。
Absolute_Zero_Reasoner-Coder-14b-Q4_0.gguf	Q4_0	8.54GB	false	舊格式，支持ARM和AVX CPU推理的在線重打包。
Absolute_Zero_Reasoner-Coder-14b-IQ4_XS.gguf	IQ4_XS	8.12GB	false	質量不錯，比Q4_K_S小，性能相似，推薦。
Absolute_Zero_Reasoner-Coder-14b-Q3_K_L.gguf	Q3_K_L	7.92GB	false	質量較低但可用，適合低內存情況。
Absolute_Zero_Reasoner-Coder-14b-Q3_K_M.gguf	Q3_K_M	7.34GB	false	低質量。
Absolute_Zero_Reasoner-Coder-14b-IQ3_M.gguf	IQ3_M	6.92GB	false	中低質量，新方法，性能與Q3_K_M相當。
Absolute_Zero_Reasoner-Coder-14b-Q3_K_S.gguf	Q3_K_S	6.66GB	false	低質量，不推薦。
Absolute_Zero_Reasoner-Coder-14b-Q2_K_L.gguf	Q2_K_L	6.53GB	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。
Absolute_Zero_Reasoner-Coder-14b-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。
Absolute_Zero_Reasoner-Coder-14b-IQ3_XXS.gguf	IQ3_XXS	5.95GB	false	質量較低，新方法，性能不錯，與Q3量化版本相當。
Absolute_Zero_Reasoner-Coder-14b-Q2_K.gguf	Q2_K	5.77GB	false	質量非常低，但出人意料地可用。
Absolute_Zero_Reasoner-Coder-14b-IQ2_M.gguf	IQ2_M	5.36GB	false	質量相對較低，使用了最先進的技術，出人意料地可用。
Absolute_Zero_Reasoner-Coder-14b-IQ2_S.gguf	IQ2_S	5.00GB	false	低質量，使用了最先進的技術，可用。

📚 詳細文檔

嵌入/輸出權重

部分量化版本（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，而非默認設置。

ARM/AVX信息

以前，你會下載Q4_0_4_4/4_8/8_8，這些版本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，並且你的硬件能從權重重打包中受益，它會自動即時進行重打包。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，如果你想獲得略高的質量，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。

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 | 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。

選擇合適的文件

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](https://gist.github.com/Artefact2/b5f810600771265fc1e39442288e8ec9)。首先要確定你能運行多大的模型。為此，你需要了解自己有多少內存（RAM）和/或顯存（VRAM）。如果你希望模型運行得儘可能快，你需要將整個模型放入GPU的顯存中。選擇文件大小比GPU總顯存小1 - 2GB的量化版本。如果你追求絕對的最高質量，將系統內存和GPU顯存相加，然後選擇文件大小比該總和小1 - 2GB的量化版本。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量化版本。這些版本的格式為“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： [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Q4以下的量化版本，並且你使用的是cuBLAS（Nvidia）或rocBLAS（AMD），你應該考慮I量化版本。這些版本的格式為IQX_X，如IQ3_M。這些是較新的版本，在相同大小下提供更好的性能。這些I量化版本也可以在CPU上使用，但比對應的K量化版本慢，所以你需要在速度和性能之間做出權衡。