Arliai QwQ 32B ArliAI RpR V4 GGUF

🚀 ArliAI的QwQ-32B-ArliAI-RpR-v4的Llamacpp imatrix量化模型

本項目是對ArliAI的QwQ-32B-ArliAI-RpR-v4模型進行的量化處理，使用特定工具和方法生成了多種量化版本，方便不同硬件條件和需求的用戶使用。

模型信息

🚀 快速開始

量化方法

使用 llama.cpp 的 b5432 版本進行量化。 原始模型地址：ArliAI/QwQ-32B-ArliAI-RpR-v4 所有量化模型均使用 imatrix 選項，並採用 此處 的數據集。

運行方式

• LM Studio：可在 LM Studio 中運行。
• llama.cpp：可直接使用 llama.cpp 或基於 llama.cpp 的其他項目運行。

提示格式

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

📦 安裝指南

使用huggingface-cli下載

pip install -U "huggingface_hub[cli]"

huggingface-cli download bartowski/ArliAI_QwQ-32B-ArliAI-RpR-v4-GGUF --include "ArliAI_QwQ-32B-ArliAI-RpR-v4-Q4_K_M.gguf" --local-dir ./

huggingface-cli download bartowski/ArliAI_QwQ-32B-ArliAI-RpR-v4-GGUF --include "ArliAI_QwQ-32B-ArliAI-RpR-v4-Q8_0/*" --local-dir ./

📚 詳細文檔

下載文件選擇

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，現在有了所謂的“在線重新打包”權重技術，詳情見 此 PR。如果你使用 Q4_0 模型，且硬件能從重新打包權重中受益，它將自動實時進行處理。

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 版本。加載時間可能會變慢，但總體速度會提高。

如何選擇文件

🔧 技術細節

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，現在有了所謂的“在線重新打包”權重技術，詳情見 此 PR。如果你使用 Q4_0 模型，且硬件能從重新打包權重中受益，它將自動實時進行處理。

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 版本。加載時間可能會變慢，但總體速度會提高。

📄 許可證

本項目採用 apache - 2.0 許可證。

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 對我工作的贊助。

如果你想支持我的工作，請訪問我的 ko - fi 頁面：點擊訪問