Nvidia OpenMath Nemotron 14B Kaggle GGUF

首先，確保已安裝huggingface-cli：

pip install -U "huggingface_hub[cli]"

然後，指定要下載的文件：

huggingface-cli download bartowski/nvidia_OpenMath-Nemotron-14B-Kaggle-GGUF --include "nvidia_OpenMath-Nemotron-14B-Kaggle-Q4_K_M.gguf" --local-dir ./

如果模型大於50GB，會被拆分為多個文件。若要將所有文件下載到本地文件夾，運行：

huggingface-cli download bartowski/nvidia_OpenMath-Nemotron-14B-Kaggle-GGUF --include "nvidia_OpenMath-Nemotron-14B-Kaggle-Q8_0/*" --local-dir ./

可以指定新的本地目錄（nvidia_OpenMath-Nemotron-14B-Kaggle-Q8_0）或直接下載到當前目錄（./）。

Artefact2提供了一篇很棒的文章，帶有展示各種性能的圖表，鏈接 在此。

首先，確定能運行的模型大小。需要了解自己的系統有多少RAM和/或VRAM。

• 若想讓模型運行得儘可能快，應將整個模型放入GPU的VRAM中。選擇文件大小比GPU總VRAM小1 - 2GB的量化模型。
• 若追求最高質量，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的量化模型。

接下來，決定使用“I-quant”還是“K-quant”。

• 如果不想考慮太多，選擇K-quant，格式為“QX_K_X”，如Q5_K_M。
• 如果想深入瞭解，可以查看這個非常有用的特性圖表：llama.cpp特性矩陣。
• 一般來說，如果目標是低於Q4，並且使用cuBLAS（Nvidia）或rocBLAS（AMD），應考慮I-quant，格式為IQX_X，如IQ3_M。這些是較新的量化方式，相同大小下性能更好。
• I-quant也可在CPU上使用，但比K-quant慢，需要在速度和性能之間進行權衡。

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。