Mlabonne Gemma 3 12b It Abliterated GGUF

首先，确保你已安装 huggingface - cli：

pip install -U "huggingface_hub[cli]"

然后，你可以指定要下载的特定文件：

huggingface-cli download bartowski/mlabonne_gemma - 3 - 12b - it - abliterated - GGUF --include "mlabonne_gemma - 3 - 12b - it - abliterated - Q4_K_M.gguf" --local-dir ./

如果模型大于 50GB，它将被拆分为多个文件。若要将它们全部下载到本地文件夹，请运行：

huggingface-cli download bartowski/mlabonne_gemma - 3 - 12b - it - abliterated - GGUF --include "mlabonne_gemma - 3 - 12b - it - abliterated - Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如 mlabonne_gemma - 3 - 12b - it - abliterated - Q8_0），也可以将它们全部下载到当前目录（./）。

我保留这部分内容是为了展示使用支持在线重新打包的 Q4_0 可能带来的理论性能提升。

Artefact2 提供了一篇很棒的文章，带有展示各种性能的图表，可查看 此处。

首先，你需要确定能运行多大的模型。为此，你需要了解自己有多少内存（RAM）和/或显存（VRAM）。

如果你希望模型运行得尽可能快，你需要将整个模型加载到 GPU 的显存中。选择文件大小比 GPU 总显存小 1 - 2GB 的量化模型。

如果你追求绝对最高质量，将系统内存和 GPU 显存相加，然后选择文件大小比该总和小 1 - 2GB 的量化模型。

接下来，你需要决定是使用“I - 量化”还是“K - 量化”。

如果你不想考虑太多，选择 K - 量化模型，格式为 'QX_K_X'，如 Q5_K_M。

如果你想深入了解，可以查看这个非常有用的特性图表：[llama.cpp 特性矩阵](https://github.com/ggerganov/llama.cpp/wiki/Feature - matrix)。

但基本上，如果你目标是低于 Q4 的量化，并且使用 cuBLAS（Nvidia）或 rocBLAS（AMD），你应该考虑 I - 量化模型，格式为 IQX_X，如 IQ3_M。这些是较新的模型，在相同大小下提供更好的性能。

这些 I - 量化模型也可以在 CPU 上使用，但比对应的 K - 量化模型慢，因此你需要在速度和性能之间做出权衡。

I - 量化模型与 Vulcan（同样适用于 AMD）不兼容，所以如果你使用 AMD 显卡，请仔细检查你使用的是 rocBLAS 版本还是 Vulcan 版本。在撰写本文时，LM Studio 有一个支持 ROCm 的预览版，其他推理引擎也有针对 ROCm 的特定版本。