Cognitivecomputations Dolphin Mistral 24B Venice Edition GGUF

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/cognitivecomputations_Dolphin-Mistral-24B-Venice-Edition-GGUF --include "cognitivecomputations_Dolphin-Mistral-24B-Venice-Edition-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，可運行：

huggingface-cli download bartowski/cognitivecomputations_Dolphin-Mistral-24B-Venice-Edition-GGUF --include "cognitivecomputations_Dolphin-Mistral-24B-Venice-Edition-Q8_0/*" --local-dir ./

你可以指定一個新的本地目錄（如cognitivecomputations_Dolphin-Mistral-24B-Venice-Edition-Q8_0），也可以將它們全部下載到當前目錄（./）。

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。

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

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得儘可能快，你需要將整個模型放入GPU的VRAM中。選擇文件大小比GPU總VRAM小1 - 2GB的量化文件。

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的量化文件。

接下來，你需要決定是使用“I-quant”還是“K-quant”。

如果你不想考慮太多，選擇K-quant之一。它們的格式為“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

但基本上，如果你目標是低於Q4，並且你使用的是cuBLAS（Nvidia）或rocBLAS（AMD），你應該考慮I-quant。它們的格式為IQX_X，如IQ3_M。這些是較新的量化方式，在相同大小下提供更好的性能。

這些I-quant也可以在CPU上使用，但比對應的K-quant慢，所以你需要在速度和性能之間做出權衡。