L3.3-MS-Nevoria-70b-GGUF开源模型 - 多级别量化适配不同硬件环境

首页

L3.3 MS Nevoria 70b GGUF

由 bartowski 开发

基于Steelskull/L3.3-MS-Nevoria-70b模型的量化版本，使用llama.cpp进行imatrix量化，支持多种量化级别，适用于不同硬件环境。

大型语言模型 #高精度量化 #多场景推荐 #低RAM适配

下载量 5,252

发布时间 : 1/14/2025

模型简介

这是一个70B参数规模的大语言模型量化版本，主要用于文本生成任务，支持在LM Studio等环境中运行。

模型特点

多量化级别

提供从Q8_0到IQ1_M等多种量化级别，满足不同硬件和性能需求。

imatrix量化

使用llama.cpp的imatrix选项进行量化，提升模型性能。

硬件优化

支持ARM和AVX设备，通过在线重打包技术优化性能。

分片存储

大模型文件采用分片存储，便于下载和管理。

模型能力

文本生成

多轮对话

系统提示响应

使用案例

对话系统

智能助手

可用于构建智能对话助手，响应复杂用户查询。

内容生成

创意写作

支持生成故事、诗歌等创意内容。

🚀 L3.3-MS-Nevoria-70b的Llamacpp imatrix量化模型

本项目提供了基于llama.cpp对L3.3-MS-Nevoria-70b模型进行量化后的版本，解决了在不同硬件条件下高效运行大模型的问题，帮助用户根据自身设备资源选择合适的量化模型，提升模型的运行效率和使用体验。

🚀 快速开始

本项目使用 llama.cpp 版本 b4456 进行量化。原始模型可从这里获取。所有量化模型均使用imatrix选项，并基于此数据集生成。你可以在 LM Studio 中运行这些量化模型。

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|>

📦 安装指南

使用huggingface-cli下载

点击查看下载说明

首先，确保你已经安装了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/L3.3-MS-Nevoria-70b-GGUF --include "L3.3-MS-Nevoria-70b-Q4_K_M.gguf" --local-dir ./

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

huggingface-cli download bartowski/L3.3-MS-Nevoria-70b-GGUF --include "L3.3-MS-Nevoria-70b-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如L3.3-MS-Nevoria-70b-Q8_0），也可以将它们全部下载到当前目录（./）。

💻 使用示例

下载文件

你可以从以下表格中选择要下载的文件（不是整个分支）：

文件名	量化类型	文件大小	是否分割	描述
L3.3-MS-Nevoria-70b-Q8_0.gguf	Q8_0	74.98GB	true	极高质量，通常不需要，但为可用的最高量化级别。
L3.3-MS-Nevoria-70b-Q6_K.gguf	Q6_K	57.89GB	true	非常高的质量，接近完美，推荐。
L3.3-MS-Nevoria-70b-Q5_K_M.gguf	Q5_K_M	49.95GB	true	高质量，推荐。
L3.3-MS-Nevoria-70b-Q5_K_S.gguf	Q5_K_S	48.66GB	false	高质量，推荐。
L3.3-MS-Nevoria-70b-Q4_1.gguf	Q4_1	44.31GB	false	旧格式，性能与Q4_K_S相似，但在Apple硅芯片上的每瓦令牌数有所提高。
L3.3-MS-Nevoria-70b-Q4_K_M.gguf	Q4_K_M	42.52GB	false	质量良好，是大多数用例的默认大小，推荐。
L3.3-MS-Nevoria-70b-Q4_K_S.gguf	Q4_K_S	40.35GB	false	质量稍低，但节省更多空间，推荐。
L3.3-MS-Nevoria-70b-Q4_0.gguf	Q4_0	40.12GB	false	旧格式，支持为ARM和AVX CPU推理进行在线重新打包。
L3.3-MS-Nevoria-70b-IQ4_NL.gguf	IQ4_NL	40.05GB	false	与IQ4_XS相似，但稍大。支持为ARM CPU推理进行在线重新打包。
L3.3-MS-Nevoria-70b-Q3_K_XL.gguf	Q3_K_XL	38.06GB	false	嵌入和输出权重使用Q8_0。质量较低但可用，适合低内存情况。
L3.3-MS-Nevoria-70b-IQ4_XS.gguf	IQ4_XS	37.90GB	false	质量不错，比Q4_K_S小，性能相似，推荐。
L3.3-MS-Nevoria-70b-Q3_K_L.gguf	Q3_K_L	37.14GB	false	质量较低但可用，适合低内存情况。
L3.3-MS-Nevoria-70b-Q3_K_M.gguf	Q3_K_M	34.27GB	false	低质量。
L3.3-MS-Nevoria-70b-IQ3_M.gguf	IQ3_M	31.94GB	false	中低质量，新方法，性能与Q3_K_M相当。
L3.3-MS-Nevoria-70b-Q3_K_S.gguf	Q3_K_S	30.91GB	false	低质量，不推荐。
L3.3-MS-Nevoria-70b-IQ3_XXS.gguf	IQ3_XXS	27.47GB	false	质量较低，新方法，性能与Q3量化相当。
L3.3-MS-Nevoria-70b-Q2_K_L.gguf	Q2_K_L	27.40GB	false	嵌入和输出权重使用Q8_0。质量非常低，但出乎意料地可用。
L3.3-MS-Nevoria-70b-Q2_K.gguf	Q2_K	26.38GB	false	质量非常低，但出乎意料地可用。
L3.3-MS-Nevoria-70b-IQ2_M.gguf	IQ2_M	24.12GB	false	质量相对较低，使用最先进的技术，出乎意料地可用。
L3.3-MS-Nevoria-70b-IQ2_S.gguf	IQ2_S	22.24GB	false	质量低，使用最先进的技术，可用。
L3.3-MS-Nevoria-70b-IQ2_XS.gguf	IQ2_XS	21.14GB	false	质量低，使用最先进的技术，可用。
L3.3-MS-Nevoria-70b-IQ2_XXS.gguf	IQ2_XXS	19.10GB	false	质量非常低，使用最先进的技术，可用。
L3.3-MS-Nevoria-70b-IQ1_M.gguf	IQ1_M	16.75GB	false	质量极低，不推荐。

📚 详细文档

嵌入/输出权重

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。

ARM/AVX信息

以前，你会下载Q4_0_4_4/4_8/8_8，这些模型的权重会在内存中交错排列，以便在ARM和AVX机器上通过一次加载更多数据来提高性能。

然而，现在有一种名为“在线重新打包”的权重处理方式，详情见此PR。如果你使用Q4_0，并且你的硬件能从重新打包权重中受益，它会自动实时进行处理。

从llama.cpp构建版本 b4282 开始，你将无法运行Q4_0_X_X文件，而需要使用Q4_0。

此外，如果你想获得稍好的质量，可以使用IQ4_NL，这得益于此PR，它也会为ARM重新打包权重，不过目前仅支持4_4。加载时间可能会更长，但总体速度会提高。

点击查看Q4_0_X_X信息（已弃用）

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在理论上的性能提升。

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	测试类型	每秒令牌数	与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%

Q4_0_8_8在提示处理方面有显著提升，在文本生成方面有小幅提升。

选择合适的文件

点击查看详情

Artefact2 提供了一篇很棒的文章，带有展示各种性能的图表，见此处。

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。它们的格式为“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（Nvidia）或rocBLAS（AMD），你应该考虑I量化模型。它们的格式为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和Apple Metal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量化模型不与Vulcan（也是AMD）兼容，所以如果你有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。

🔧 技术细节

本项目使用llama.cpp的特定版本（b4456）对L3.3-MS-Nevoria-70b模型进行量化。量化过程中采用了imatrix选项，并基于特定的校准数据集进行处理。部分量化模型对嵌入和输出权重进行了特殊处理，量化为Q8_0。同时，引入了“在线重新打包”的权重处理方式，以提高ARM和AVX机器上的性能。