Rombo-LLM-V3.1-QWQ-32b开源大语言模型 - 多量化版本适配不同硬件需求

首页

Rombo Org Rombo LLM V3.1 QWQ 32b GGUF

由 bartowski 开发

Rombo-LLM-V3.1-QWQ-32b是一个32B参数规模的大型语言模型，经过llama.cpp的imatrix量化处理，提供多种量化版本以适应不同硬件需求。

大型语言模型开源协议:Apache-2.0 #高精度量化 #多场景文本生成 #低内存优化

下载量 2,132

发布时间 : 3/6/2025

模型简介

该模型是一个高性能的大型语言模型，适用于文本生成任务，支持在LM Studio或基于llama.cpp的项目中运行。

模型特点

多种量化版本

提供从Q8_0到Q2_K的多种量化版本，适应不同硬件和性能需求。

高性能文本生成

作为32B参数的大型语言模型，具备强大的文本生成能力。

广泛兼容性

支持在LM Studio、llama.cpp及基于llama.cpp的项目中运行。

模型能力

文本生成

对话系统

内容创作

使用案例

内容创作

文章写作

生成高质量的文章或博客内容

生成流畅、连贯的文本

对话系统

构建智能对话助手

提供自然流畅的对话体验

教育

学习辅助

帮助学生解答问题或解释概念

提供准确、易懂的解释

🚀 Rombo-Org的Rombo-LLM-V3.1-QWQ-32b的Llamacpp imatrix量化版本

本项目是对Rombo-Org的Rombo-LLM-V3.1-QWQ-32b模型进行量化处理。使用量化技术可以在一定程度上减少模型的存储空间和计算资源需求，同时保持相对较好的性能，方便在不同设备上部署和使用。

🚀 快速开始

使用 llama.cpp 的 b4792 版本进行量化。
原始模型地址：https://huggingface.co/Rombo-Org/Rombo-LLM-V3.1-QWQ-32b
所有量化模型均使用 imatrix 选项，并采用此处的数据集。
可以在 LM Studio 中运行这些量化模型。
也可以直接使用 llama.cpp 或其他基于 llama.cpp 的项目来运行。

✨ 主要特性

提示格式

<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
<think>

模型文件下载

文件名	量化类型	文件大小	拆分情况	描述
Rombo-LLM-V3.1-QWQ-32b-Q8_0.gguf	Q8_0	34.82GB	false	极高质量，通常不需要，但为最大可用量化类型。
Rombo-LLM-V3.1-QWQ-32b-Q6_K_L.gguf	Q6_K_L	27.26GB	false	嵌入和输出权重使用 Q8_0。非常高质量，接近完美，推荐。
Rombo-LLM-V3.1-QWQ-32b-Q6_K.gguf	Q6_K	26.89GB	false	非常高质量，接近完美，推荐。
Rombo-LLM-V3.1-QWQ-32b-Q5_K_L.gguf	Q5_K_L	23.74GB	false	嵌入和输出权重使用 Q8_0。高质量，推荐。
Rombo-LLM-V3.1-QWQ-32b-Q5_K_M.gguf	Q5_K_M	23.26GB	false	高质量，推荐。
Rombo-LLM-V3.1-QWQ-32b-Q5_K_S.gguf	Q5_K_S	22.64GB	false	高质量，推荐。
Rombo-LLM-V3.1-QWQ-32b-Q4_1.gguf	Q4_1	20.64GB	false	旧格式，性能与 Q4_K_S 相似，但在苹果硅芯片上每瓦处理的令牌数有所提高。
Rombo-LLM-V3.1-QWQ-32b-Q4_K_L.gguf	Q4_K_L	20.43GB	false	嵌入和输出权重使用 Q8_0。质量良好，推荐。
Rombo-LLM-V3.1-QWQ-32b-Q4_K_M.gguf	Q4_K_M	19.85GB	false	质量良好，大多数用例的默认大小，推荐。
Rombo-LLM-V3.1-QWQ-32b-Q4_K_S.gguf	Q4_K_S	18.78GB	false	质量稍低，但节省更多空间，推荐。
Rombo-LLM-V3.1-QWQ-32b-Q4_0.gguf	Q4_0	18.71GB	false	旧格式，可为 ARM 和 AVX CPU 推理提供在线重新打包。
Rombo-LLM-V3.1-QWQ-32b-IQ4_NL.gguf	IQ4_NL	18.68GB	false	与 IQ4_XS 相似，但稍大。可为 ARM CPU 推理提供在线重新打包。
Rombo-LLM-V3.1-QWQ-32b-Q3_K_XL.gguf	Q3_K_XL	17.93GB	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。
Rombo-LLM-V3.1-QWQ-32b-IQ4_XS.gguf	IQ4_XS	17.69GB	false	质量不错，比 Q4_K_S 小，性能相似，推荐。
Rombo-LLM-V3.1-QWQ-32b-Q3_K_L.gguf	Q3_K_L	17.25GB	false	质量较低但可用，适合低内存情况。
Rombo-LLM-V3.1-QWQ-32b-Q3_K_M.gguf	Q3_K_M	15.94GB	false	低质量。
Rombo-LLM-V3.1-QWQ-32b-IQ3_M.gguf	IQ3_M	14.81GB	false	中低质量，新方法，性能与 Q3_K_M 相当。
Rombo-LLM-V3.1-QWQ-32b-Q3_K_S.gguf	Q3_K_S	14.39GB	false	低质量，不推荐。
Rombo-LLM-V3.1-QWQ-32b-IQ3_XS.gguf	IQ3_XS	13.71GB	false	质量较低，新方法，性能不错，略优于 Q3_K_S。
Rombo-LLM-V3.1-QWQ-32b-Q2_K_L.gguf	Q2_K_L	13.07GB	false	嵌入和输出权重使用 Q8_0。质量非常低，但出人意料地可用。
Rombo-LLM-V3.1-QWQ-32b-IQ3_XXS.gguf	IQ3_XXS	12.84GB	false	质量较低，新方法，性能不错，与 Q3 量化类型相当。
Rombo-LLM-V3.1-QWQ-32b-Q2_K.gguf	Q2_K	12.31GB	false	质量非常低，但出人意料地可用。
Rombo-LLM-V3.1-QWQ-32b-IQ2_M.gguf	IQ2_M	11.26GB	false	质量相对较低，使用最先进技术，出人意料地可用。
Rombo-LLM-V3.1-QWQ-32b-IQ2_S.gguf	IQ2_S	10.39GB	false	低质量，使用最先进技术，可用。
Rombo-LLM-V3.1-QWQ-32b-IQ2_XS.gguf	IQ2_XS	9.96GB	false	低质量，使用最先进技术，可用。
Rombo-LLM-V3.1-QWQ-32b-IQ2_XXS.gguf	IQ2_XXS	9.03GB	false	质量非常低，使用最先进技术，可用。

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，而非通常的默认值。

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/Rombo-Org_Rombo-LLM-V3.1-QWQ-32b-GGUF --include "Rombo-Org_Rombo-LLM-V3.1-QWQ-32b-Q4_K_M.gguf" --local-dir ./

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

huggingface-cli download bartowski/Rombo-Org_Rombo-LLM-V3.1-QWQ-32b-GGUF --include "Rombo-Org_Rombo-LLM-V3.1-QWQ-32b-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如 Rombo-Org_Rombo-LLM-V3.1-QWQ-32b-Q8_0），也可以将它们全部下载到当前目录（./）。

ARM/AVX信息

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

然而，现在有了一种称为“在线重新打包”的权重处理方法，详情见此 PR。如果你使用 Q4_0 量化模型，并且你的硬件可以从重新打包权重中受益，它将自动实时进行处理。

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，不过目前仅适用于 4_4 情况。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 量化模型在理论上可能的性能提升。

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%