Mlabonne Gemma 3 27b 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-3-27b-it-abliterated-GGUF --include "mlabonne_gemma-3-27b-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-3-27b-it-abliterated-GGUF --include "mlabonne_gemma-3-27b-it-abliterated-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如mlabonne_gemma - 3 - 27b - 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在性能上的潜在理论提升。

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

首先，你需要确定你能运行多大的模型。为此，你需要了解你有多少内存（RAM）和/或显存（VRAM）。

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

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的量化文件。

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 - 量化文件。这些文件的格式为“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功能图表：

llama.cpp功能矩阵

但基本上，如果你目标是低于Q4的量化，并且你使用的是cuBLAS（英伟达）或rocBLAS（AMD），你应该考虑I - 量化文件。这些文件的格式为IQX_X，如IQ3_M。它们是较新的格式，在相同大小下提供更好的性能。

这些I - 量化文件也可以在CPU上使用，但比相应的K - 量化文件慢，因此你需要在速度和性能之间做出权衡。

I - 量化文件 不 与Vulcan（同样用于AMD）兼容，因此如果你有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。