cognitivecomputations_Qwen3-72B-Embiggened-GGUF開源模型

首頁

Cognitivecomputations Qwen3 72B Embiggened GGUF

由bartowski開發

基於cognitivecomputations/Qwen3-72B-Embiggened模型的量化版本，使用llama.cpp進行量化處理，可在多種環境下高效運行。

大型語言模型開源協議:Apache-2.0 #72B大模型 #高精度量化 #多場景文本生成

下載量 826

發布時間 : 6/12/2025

模型概述

這是一個72B參數規模的大語言模型量化版本，支持文本生成任務，採用Apache 2.0許可證。

模型特點

多種量化選項

提供從Q8_0到IQ1_M共23種量化版本，滿足不同硬件需求

高效運行

使用llama.cpp量化處理，可在多種環境下高效運行

imatrix量化

所有量化版本均使用imatrix選項生成，提高量化質量

硬件兼容性

支持ARM和AVX CPU推理的在線重新打包功能

模型能力

文本生成

對話系統

支持長上下文處理

使用案例

對話系統

智能助手

可用於構建智能對話助手

內容生成

文本創作

可用於文章、故事等文本內容生成

🚀 cognitivecomputations的Qwen3-72B-Embiggened的Llamacpp imatrix量化版本

本項目提供了基於cognitivecomputations/Qwen3-72B-Embiggened模型的量化版本，使用llama.cpp進行量化處理，可在多種環境下高效運行。

基本信息

屬性	詳情
量化者	bartowski
任務類型	文本生成
基礎模型	cognitivecomputations/Qwen3-72B-Embiggened
基礎模型關係	量化版本
許可證	apache-2.0

🚀 快速開始

使用 llama.cpp 的 b5627 版本進行量化。原始模型：https://huggingface.co/cognitivecomputations/Qwen3-72B-Embiggened 所有量化版本均使用 imatrix 選項和來自此處的數據集生成。

你可以在以下環境中運行這些量化模型：

LM Studio
直接使用 llama.cpp 或任何基於 llama.cpp 的項目

✨ 主要特性

提示格式

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

下載文件

可從以下列表中選擇下載單個文件（而非整個分支）：

文件名	量化類型	文件大小	是否拆分	描述
Qwen3-72B-Embiggened-Q8_0.gguf	Q8_0	77.26GB	true	極高質量，通常無需使用，為最大可用量化版本。
Qwen3-72B-Embiggened-Q6_K.gguf	Q6_K	64.34GB	true	非常高質量，接近完美，推薦。
Qwen3-72B-Embiggened-Q5_K_M.gguf	Q5_K_M	54.44GB	true	高質量，推薦。
Qwen3-72B-Embiggened-Q5_K_S.gguf	Q5_K_S	51.37GB	true	高質量，推薦。
Qwen3-72B-Embiggened-Q4_K_L.gguf	Q4_K_L	48.29GB	false	嵌入和輸出權重使用 Q8_0。質量良好，推薦。
Qwen3-72B-Embiggened-Q4_K_M.gguf	Q4_K_M	47.37GB	false	質量良好，大多數用例的默認大小，推薦。
Qwen3-72B-Embiggened-Q4_1.gguf	Q4_1	45.69GB	false	舊格式，性能與 Q4_K_S 相似，但在 Apple silicon 上的每瓦令牌數有所提高。
Qwen3-72B-Embiggened-Q4_K_S.gguf	Q4_K_S	43.80GB	false	質量稍低，但節省更多空間，推薦。
Qwen3-72B-Embiggened-Q4_0.gguf	Q4_0	41.38GB	false	舊格式，支持 ARM 和 AVX CPU 推理的在線重新打包。
Qwen3-72B-Embiggened-IQ4_NL.gguf	IQ4_NL	41.31GB	false	與 IQ4_XS 類似，但稍大。支持 ARM CPU 推理的在線重新打包。
Qwen3-72B-Embiggened-Q3_K_XL.gguf	Q3_K_XL	40.59GB	false	嵌入和輸出權重使用 Q8_0。質量較低但可用，適合低內存場景。
Qwen3-72B-Embiggened-IQ4_XS.gguf	IQ4_XS	39.70GB	false	質量不錯，比 Q4_K_S 小，性能相似，推薦。
Qwen3-72B-Embiggened-Q3_K_L.gguf	Q3_K_L	39.50GB	false	質量較低但可用，適合低內存場景。
Qwen3-72B-Embiggened-Q3_K_M.gguf	Q3_K_M	37.61GB	false	質量較低。
Qwen3-72B-Embiggened-IQ3_M.gguf	IQ3_M	35.42GB	false	中低質量，新方法，性能與 Q3_K_M 相當。
Qwen3-72B-Embiggened-Q3_K_S.gguf	Q3_K_S	34.31GB	false	質量較低，不推薦。
Qwen3-72B-Embiggened-IQ3_XS.gguf	IQ3_XS	32.75GB	false	質量較低，新方法，性能不錯，略優於 Q3_K_S。
Qwen3-72B-Embiggened-IQ3_XXS.gguf	IQ3_XXS	31.76GB	false	質量較低，新方法，性能不錯，與 Q3 量化版本相當。
Qwen3-72B-Embiggened-Q2_K_L.gguf	Q2_K_L	30.94GB	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。
Qwen3-72B-Embiggened-Q2_K.gguf	Q2_K	29.72GB	false	質量非常低，但出人意料地可用。
Qwen3-72B-Embiggened-IQ2_M.gguf	IQ2_M	29.33GB	false	質量相對較低，使用了最先進的技術，出人意料地可用。
Qwen3-72B-Embiggened-IQ2_S.gguf	IQ2_S	27.93GB	false	質量較低，使用了最先進的技術，可用。
Qwen3-72B-Embiggened-IQ2_XS.gguf	IQ2_XS	27.05GB	false	質量較低，使用了最先進的技術，可用。
Qwen3-72B-Embiggened-IQ2_XXS.gguf	IQ2_XXS	25.49GB	false	質量非常低，使用了最先進的技術，可用。
Qwen3-72B-Embiggened-IQ1_M.gguf	IQ1_M	23.74GB	false	質量極低，不推薦。

嵌入/輸出權重

部分量化版本（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，而非默認設置。

📦 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/cognitivecomputations_Qwen3-72B-Embiggened-GGUF --include "cognitivecomputations_Qwen3-72B-Embiggened-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/cognitivecomputations_Qwen3-72B-Embiggened-GGUF --include "cognitivecomputations_Qwen3-72B-Embiggened-Q8_0/*" --local-dir ./

你可以指定一個新的本地目錄（如cognitivecomputations_Qwen3-72B-Embiggened-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 版本，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，現在有了所謂的權重“在線重新打包”功能，詳情見此PR。如果你使用 Q4_0 且你的硬件能從權重重新打包中受益，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，如果你想獲得稍好的質量，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 版本。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 可能帶來的理論性能提升。

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	測試用例	令牌/秒	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%