LLaMA-Mesh-GGUF开源模型 - 实现文本转3D网格，多量化适配不同硬件

首页

Llama Mesh GGUF

由 bartowski 开发

LLaMA-Mesh是一个基于LLaMA架构的文本转3D模型，专注于网格生成任务。该版本是使用llama.cpp进行量化的版本，提供了多种量化选项以适应不同硬件需求。

文本生成图像 #文本转3D #高精度网格生成 #多量化版本

下载量 1,911

发布时间 : 11/20/2024

模型简介

LLaMA-Mesh是一个将文本描述转换为3D网格的模型，适用于3D建模和设计领域。该量化版本通过不同精度的量化选项，使模型能够在各种硬件配置上高效运行。

模型特点

多种量化选项

提供从f16到Q2_K的多种量化版本，满足不同硬件和性能需求。

高质量量化

使用imatrix选项进行量化，确保模型在压缩后仍保持高质量输出。

硬件优化

部分量化版本针对ARM和AVX推理进行了特别优化，提升运行效率。

模型能力

文本到3D网格生成

支持多种量化精度

硬件加速推理

使用案例

3D建模

快速原型设计

通过文本描述快速生成3D网格，加速产品原型设计流程。

生成可用于3D打印或进一步编辑的网格模型

游戏开发

游戏资产生成

根据文本描述自动生成游戏中的3D物体和场景元素。

减少美术资源制作时间和成本

🚀 LLaMA-Mesh的Llamacpp imatrix量化版本

本项目使用 llama.cpp 的 b4132 版本进行模型量化。该项目主要用于文本到3D的转换，能够实现网格生成等功能，为相关领域的应用提供了有力支持。

项目信息

属性	详情
量化者	bartowski
模型类型	文本到3D
标签	mesh-generation
许可证	llama3.1
基础模型	Zhengyi/LLaMA-Mesh

原始模型链接

Zhengyi/LLaMA-Mesh

量化说明

所有量化模型均使用 imatrix 选项，并采用此处的数据集。你可以在 LM Studio 中运行这些量化模型。

🚀 快速开始

提示格式

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

{system_prompt}<|eot_id|><|start_header_id|>user<|end_header_id|>

{prompt}<|eot_id|><|start_header_id|>assistant<|end_header_id|>

下载文件

你可以从以下表格中选择并下载所需的文件（非整个分支）：

文件名	量化类型	文件大小	分割情况	描述
LLaMA-Mesh-f16.gguf	f16	16.07GB	false	完整的F16权重。
LLaMA-Mesh-Q8_0.gguf	Q8_0	8.54GB	false	极高质量，通常无需使用，但为可用的最高量化级别。
LLaMA-Mesh-Q6_K_L.gguf	Q6_K_L	6.85GB	false	嵌入和输出权重采用Q8_0量化。非常高质量，近乎完美，推荐。
LLaMA-Mesh-Q6_K.gguf	Q6_K	6.60GB	false	非常高质量，近乎完美，推荐。
LLaMA-Mesh-Q5_K_L.gguf	Q5_K_L	6.06GB	false	嵌入和输出权重采用Q8_0量化。高质量，推荐。
LLaMA-Mesh-Q5_K_M.gguf	Q5_K_M	5.73GB	false	高质量，推荐。
LLaMA-Mesh-Q5_K_S.gguf	Q5_K_S	5.60GB	false	高质量，推荐。
LLaMA-Mesh-Q4_K_L.gguf	Q4_K_L	5.31GB	false	嵌入和输出权重采用Q8_0量化。质量良好，推荐。
LLaMA-Mesh-Q4_K_M.gguf	Q4_K_M	4.92GB	false	质量良好，大多数使用场景的默认大小，推荐。
LLaMA-Mesh-Q3_K_XL.gguf	Q3_K_XL	4.78GB	false	嵌入和输出权重采用Q8_0量化。质量较低但可用，适合低内存情况。
LLaMA-Mesh-Q4_K_S.gguf	Q4_K_S	4.69GB	false	质量略低但节省空间，推荐。
LLaMA-Mesh-Q4_0.gguf	Q4_0	4.68GB	false	旧格式，通常在类似大小的格式中不值得使用
LLaMA-Mesh-Q4_0_8_8.gguf	Q4_0_8_8	4.66GB	false	针对ARM和AVX推理进行优化。ARM需要'sve'支持（详见下文）。请勿在Mac上使用。
LLaMA-Mesh-Q4_0_4_8.gguf	Q4_0_4_8	4.66GB	false	针对ARM推理进行优化。需要'i8mm'支持（详见下文）。请勿在Mac上使用。
LLaMA-Mesh-Q4_0_4_4.gguf	Q4_0_4_4	4.66GB	false	针对ARM推理进行优化。应在所有ARM芯片上正常工作，不适合与GPU一起使用。请勿在Mac上使用。
LLaMA-Mesh-IQ4_XS.gguf	IQ4_XS	4.45GB	false	质量不错，比Q4_K_S小且性能相似，推荐。
LLaMA-Mesh-Q3_K_L.gguf	Q3_K_L	4.32GB	false	质量较低但可用，适合低内存情况。
LLaMA-Mesh-Q3_K_M.gguf	Q3_K_M	4.02GB	false	低质量。
LLaMA-Mesh-IQ3_M.gguf	IQ3_M	3.78GB	false	中低质量，新方法，性能与Q3_K_M相当。
LLaMA-Mesh-Q2_K_L.gguf	Q2_K_L	3.69GB	false	嵌入和输出权重采用Q8_0量化。质量非常低但出人意料地可用。
LLaMA-Mesh-Q3_K_S.gguf	Q3_K_S	3.66GB	false	低质量，不推荐。
LLaMA-Mesh-IQ3_XS.gguf	IQ3_XS	3.52GB	false	质量较低，新方法，性能不错，略优于Q3_K_S。
LLaMA-Mesh-Q2_K.gguf	Q2_K	3.18GB	false	质量非常低但出人意料地可用。
LLaMA-Mesh-IQ2_M.gguf	IQ2_M	2.95GB	false	相对低质量，采用最新技术，出人意料地可用。

嵌入/输出权重说明

部分量化模型（如Q3_K_XL、Q4_K_L等）采用标准量化方法，将嵌入和输出权重量化为Q8_0，而非默认值。

使用huggingface-cli下载

点击查看下载说明

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/LLaMA-Mesh-GGUF --include "LLaMA-Mesh-Q4_K_M.gguf" --local-dir ./

如果模型大小超过50GB，它将被分割成多个文件。要将它们全部下载到本地文件夹，请运行：

huggingface-cli download bartowski/LLaMA-Mesh-GGUF --include "LLaMA-Mesh-Q8_0/*" --local-dir ./

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

Q4_0_X_X信息

这些量化模型 不适用于 Metal（苹果）或GPU（英伟达/AMD/英特尔）卸载，仅适用于ARM芯片（以及某些AVX2/AVX512 CPU）。

如果你使用的是ARM芯片，Q4_0_X_X量化模型将显著提高速度。查看原始拉取请求中的Q4_0_4_4速度比较。

要检查哪个量化模型最适合你的ARM芯片，你可以查看 AArch64 SoC特性（感谢EloyOn！）。

如果你使用的CPU支持AVX2或AVX512（通常是服务器CPU和AMD最新的Zen5 CPU）且不进行GPU卸载，Q4_0_8_8也可能提供不错的速度：

点击查看AVX2系统（EPYC7702）上的基准测试

模型	大小	参数	后端	线程数	测试用例	每秒吞吐量	与Q4_0相比
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%