NVIDIA OpenReasoning-Nemotron-7B-GGUF開源模型 - 量化版提升硬件運行效率

首頁

Nvidia OpenReasoning Nemotron 7B GGUF

由bartowski開發

NVIDIA OpenReasoning-Nemotron-7B模型的量化版本，使用llama.cpp工具進行量化處理，提升在不同硬件上的運行效率和性能。

大型語言模型 #高效量化推理 #多場景推理優化 #低內存適配

下載量 933

發布時間 : 7/18/2025

模型概述

該項目提供了NVIDIA OpenReasoning-Nemotron-7B模型的多種量化版本，適用於不同硬件配置，旨在優化推理速度和內存使用。

模型特點

多種量化選項

提供從Q8_0到Q2_K的多種量化級別，滿足不同硬件和性能需求。

優化硬件兼容性

支持ARM和AVX CPU推理的在線重新打包，提升在特定硬件上的性能。

高質量推理

部分量化版本（如Q6_K_L）保持接近原始模型的推理質量。

靈活部署

支持在LM Studio、llama.cpp及基於llama.cpp的項目中運行。

模型能力

文本生成

邏輯推理

多輪對話

提示工程

使用案例

研究與開發

模型性能測試

測試不同量化級別在特定硬件上的性能表現。

提供詳細的量化級別與性能對比數據

應用部署

本地推理服務

在資源受限的設備上部署高效的文本生成服務。

降低內存佔用同時保持可接受的生成質量

🚀 NVIDIA OpenReasoning-Nemotron-7B的Llamacpp imatrix量化版本

本項目提供了NVIDIA OpenReasoning-Nemotron-7B模型的量化版本，使用llama.cpp工具進行量化處理，旨在提升模型在不同硬件上的運行效率和性能。

🚀 快速開始

使用 llama.cpp 發佈版本 b5934 進行量化。原始模型：https://huggingface.co/nvidia/OpenReasoning-Nemotron-7B 所有量化版本均使用imatrix選項，並採用來自此處的數據集。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

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

下載文件

你可以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	拆分情況	描述
OpenReasoning-Nemotron-7B-bf16.gguf	bf16	15.24GB	否	完整的BF16權重。
OpenReasoning-Nemotron-7B-Q8_0.gguf	Q8_0	8.10GB	否	極高質量，通常無需使用，但為可用的最高量化級別。
OpenReasoning-Nemotron-7B-Q6_K_L.gguf	Q6_K_L	6.52GB	否	嵌入和輸出權重使用Q8_0。非常高的質量，近乎完美，推薦。
OpenReasoning-Nemotron-7B-Q6_K.gguf	Q6_K	6.25GB	否	非常高的質量，近乎完美，推薦。
OpenReasoning-Nemotron-7B-Q5_K_L.gguf	Q5_K_L	5.78GB	否	嵌入和輸出權重使用Q8_0。高質量，推薦。
OpenReasoning-Nemotron-7B-Q5_K_M.gguf	Q5_K_M	5.44GB	否	高質量，推薦。
OpenReasoning-Nemotron-7B-Q5_K_S.gguf	Q5_K_S	5.32GB	否	高質量，推薦。
OpenReasoning-Nemotron-7B-Q4_K_L.gguf	Q4_K_L	5.09GB	否	嵌入和輸出權重使用Q8_0。質量良好，推薦。
OpenReasoning-Nemotron-7B-Q4_1.gguf	Q4_1	4.87GB	否	舊格式，性能與Q4_K_S相似，但在蘋果硅芯片上的每瓦令牌數有所提高。
OpenReasoning-Nemotron-7B-Q4_K_M.gguf	Q4_K_M	4.68GB	否	質量良好，是大多數用例的默認大小，推薦。
OpenReasoning-Nemotron-7B-Q3_K_XL.gguf	Q3_K_XL	4.57GB	否	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。
OpenReasoning-Nemotron-7B-Q4_K_S.gguf	Q4_K_S	4.46GB	否	質量稍低，但節省更多空間，推薦。
OpenReasoning-Nemotron-7B-Q4_0.gguf	Q4_0	4.44GB	否	舊格式，支持ARM和AVX CPU推理的在線重新打包。
OpenReasoning-Nemotron-7B-IQ4_NL.gguf	IQ4_NL	4.44GB	否	與IQ4_XS相似，但稍大。支持ARM CPU推理的在線重新打包。
OpenReasoning-Nemotron-7B-IQ4_XS.gguf	IQ4_XS	4.22GB	否	質量不錯，比Q4_K_S小且性能相似，推薦。
OpenReasoning-Nemotron-7B-Q3_K_L.gguf	Q3_K_L	4.09GB	否	質量較低但可用，適合低內存場景。
OpenReasoning-Nemotron-7B-Q3_K_M.gguf	Q3_K_M	3.81GB	否	低質量。
OpenReasoning-Nemotron-7B-IQ3_M.gguf	IQ3_M	3.57GB	否	中低質量，新方法，性能與Q3_K_M相當。
OpenReasoning-Nemotron-7B-Q2_K_L.gguf	Q2_K_L	3.55GB	否	嵌入和輸出權重使用Q8_0。質量非常低，但出奇地可用。
OpenReasoning-Nemotron-7B-Q3_K_S.gguf	Q3_K_S	3.49GB	否	低質量，不推薦。
OpenReasoning-Nemotron-7B-IQ3_XS.gguf	IQ3_XS	3.35GB	否	質量較低，新方法，性能不錯，略優於Q3_K_S。
OpenReasoning-Nemotron-7B-IQ3_XXS.gguf	IQ3_XXS	3.11GB	否	質量較低，新方法，性能不錯，與Q3量化相當。
OpenReasoning-Nemotron-7B-Q2_K.gguf	Q2_K	3.02GB	否	質量非常低，但出奇地可用。
OpenReasoning-Nemotron-7B-IQ2_M.gguf	IQ2_M	2.78GB	否	相對較低的質量，使用了最先進的技術，出奇地可用。

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，而非默認值。

📦 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/nvidia_OpenReasoning-Nemotron-7B-GGUF --include "nvidia_OpenReasoning-Nemotron-7B-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/nvidia_OpenReasoning-Nemotron-7B-GGUF --include "nvidia_OpenReasoning-Nemotron-7B-Q8_0/*" --local-dir ./

你可以指定一個新的本地目錄（如nvidia_OpenReasoning-Nemotron-7B-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，現在有了一種稱為“在線重新打包”的權重處理方式，詳情見此PR。如果你使用Q4_0且硬件能從重新打包權重中受益，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，如果你想獲得更好的質量，可以使用IQ4_NL，這要歸功於此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%