Nvidia OpenReasoning Nemotron 32B 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/nvidia_OpenReasoning - Nemotron - 32B - GGUF --include "nvidia_OpenReasoning - Nemotron - 32B - Q4_K_M.gguf" --local-dir ./

如果模型大於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 - 32B - GGUF --include "nvidia_OpenReasoning - Nemotron - 32B - Q8_0/*" --local-dir ./

你可以指定一個新的本地目錄（如nvidia_OpenReasoning - Nemotron - 32B - 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帶有在線重新打包的Q4_0在理論上可能的性能提升。

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，你需要確定能夠運行的模型大小。為此，你需要了解自己擁有的內存（RAM）和/或顯存（VRAM）容量。

如果你希望模型運行速度儘可能快，你需要將整個模型放入GPU的顯存中。選擇文件大小比GPU總顯存小1 - 2GB的量化模型。

如果你追求絕對的最高質量，將系統內存和GPU顯存相加，然後選擇文件大小比該總和小1 - 2GB的量化模型。

接下來，你需要決定是使用“I - 量化”還是“K - 量化”。

如果你不想過多思考，選擇K - 量化模型，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](https://github.com/ggerganov/llama.cpp/wiki/Feature - matrix)

但基本上，如果你目標是低於Q4的量化，並且使用cuBLAS（Nvidia）或rocBLAS（AMD），你應該考慮I - 量化模型，格式為IQX_X，如IQ3_M。這些是較新的模型，在相同大小下提供更好的性能。

這些I - 量化模型也可以在CPU上使用，但比對應的K - 量化模型慢，因此你需要在速度和性能之間進行權衡。