模型简介
模型特点
模型能力
使用案例
🚀 NVIDIA OpenCodeReasoning - Nemotron - 14B的Llamacpp imatrix量化版本
本项目是对NVIDIA的OpenCodeReasoning - Nemotron - 14B模型进行的Llamacpp imatrix量化。它能让模型在不同硬件条件下更高效地运行,满足多样化的使用需求。
🚀 快速开始
使用 llama.cpp 的 b5306 版本进行量化。 原始模型:[https://huggingface.co/nvidia/OpenCodeReasoning - Nemotron - 14B](https://huggingface.co/nvidia/OpenCodeReasoning - Nemotron - 14B) 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,也可以直接使用 llama.cpp 或任何基于llama.cpp的项目来运行。
✨ 主要特性
- 多量化类型:提供了多种量化类型,如bf16、Q8_0、Q6_K_L等,满足不同的性能和质量需求。
- 在线重打包:部分量化模型支持在线重打包,可在ARM和AVX机器上提高性能。
- 灵活选择:用户可以根据自身硬件条件和需求,选择合适的量化模型。
📦 安装指南
安装huggingface - cli
首先,确保你已安装huggingface - cli:
pip install -U "huggingface_hub[cli]"
下载特定文件
你可以指定要下载的特定文件:
huggingface-cli download bartowski/nvidia_OpenCodeReasoning-Nemotron-14B-GGUF --include "nvidia_OpenCodeReasoning-Nemotron-14B-Q4_K_M.gguf" --local-dir ./
下载拆分文件
如果模型大于50GB,它会被拆分为多个文件。要将它们全部下载到本地文件夹,请运行:
huggingface-cli download bartowski/nvidia_OpenCodeReasoning-Nemotron-14B-GGUF --include "nvidia_OpenCodeReasoning-Nemotron-14B-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(如nvidia_OpenCodeReasoning-Nemotron-14B-Q8_0),也可以将它们全部下载到当前目录(./)。
💻 使用示例
基础用法
提示格式
<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
📚 详细文档
量化文件下载
文件名 | 量化类型 | 文件大小 | 拆分情况 | 描述 |
---|---|---|---|---|
OpenCodeReasoning-Nemotron-14B-bf16.gguf | bf16 | 29.55GB | false | 完整的BF16权重。 |
OpenCodeReasoning-Nemotron-14B-Q8_0.gguf | Q8_0 | 15.70GB | false | 极高质量,通常不需要,但为最大可用量化。 |
OpenCodeReasoning-Nemotron-14B-Q6_K_L.gguf | Q6_K_L | 12.50GB | false | 嵌入和输出权重使用Q8_0。非常高质量,接近完美,推荐。 |
OpenCodeReasoning-Nemotron-14B-Q6_K.gguf | Q6_K | 12.12GB | false | 非常高质量,接近完美,推荐。 |
OpenCodeReasoning-Nemotron-14B-Q5_K_L.gguf | Q5_K_L | 10.99GB | false | 嵌入和输出权重使用Q8_0。高质量,推荐。 |
OpenCodeReasoning-Nemotron-14B-Q5_K_M.gguf | Q5_K_M | 10.51GB | false | 高质量,推荐。 |
OpenCodeReasoning-Nemotron-14B-Q5_K_S.gguf | Q5_K_S | 10.27GB | false | 高质量,推荐。 |
OpenCodeReasoning-Nemotron-14B-Q4_K_L.gguf | Q4_K_L | 9.57GB | false | 嵌入和输出权重使用Q8_0。质量良好,推荐。 |
OpenCodeReasoning-Nemotron-14B-Q4_1.gguf | Q4_1 | 9.39GB | 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。 |
OpenCodeReasoning-Nemotron-14B-Q4_K_M.gguf | Q4_K_M | 8.99GB | false | 质量良好,是大多数用例的默认大小,推荐。 |
OpenCodeReasoning-Nemotron-14B-Q3_K_XL.gguf | Q3_K_XL | 8.61GB | 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。 |
OpenCodeReasoning-Nemotron-14B-Q4_K_S.gguf | Q4_K_S | 8.57GB | false | 质量略低,但节省空间,推荐。 |
OpenCodeReasoning-Nemotron-14B-IQ4_NL.gguf | IQ4_NL | 8.55GB | false | 类似于IQ4_XS,但稍大。为ARM CPU推理提供在线重打包。 |
OpenCodeReasoning-Nemotron-14B-Q4_0.gguf | Q4_0 | 8.54GB | false | 旧格式,为ARM和AVX CPU推理提供在线重打包。 |
OpenCodeReasoning-Nemotron-14B-IQ4_XS.gguf | IQ4_XS | 8.12GB | false | 质量不错,比Q4_K_S小,性能相似,推荐。 |
OpenCodeReasoning-Nemotron-14B-Q3_K_L.gguf | Q3_K_L | 7.92GB | false | 质量较低但可用,适合低内存情况。 |
OpenCodeReasoning-Nemotron-14B-Q3_K_M.gguf | Q3_K_M | 7.34GB | false | 低质量。 |
OpenCodeReasoning-Nemotron-14B-IQ3_M.gguf | IQ3_M | 6.92GB | false | 中低质量,新方法,性能与Q3_K_M相当。 |
OpenCodeReasoning-Nemotron-14B-Q3_K_S.gguf | Q3_K_S | 6.66GB | false | 低质量,不推荐。 |
OpenCodeReasoning-Nemotron-14B-Q2_K_L.gguf | Q2_K_L | 6.53GB | 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。 |
OpenCodeReasoning-Nemotron-14B-IQ3_XS.gguf | IQ3_XS | 6.38GB | false | 质量较低,新方法,性能不错,略优于Q3_K_S。 |
OpenCodeReasoning-Nemotron-14B-IQ3_XXS.gguf | IQ3_XXS | 5.95GB | false | 质量较低,新方法,性能不错,与Q3量化相当。 |
OpenCodeReasoning-Nemotron-14B-Q2_K.gguf | Q2_K | 5.77GB | false | 质量非常低,但出人意料地可用。 |
OpenCodeReasoning-Nemotron-14B-IQ2_M.gguf | IQ2_M | 5.36GB | false | 质量相对较低,使用了最先进的技术,出人意料地可用。 |
OpenCodeReasoning-Nemotron-14B-IQ2_S.gguf | IQ2_S | 5.00GB | false | 低质量,使用了最先进的技术,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。 现在,有了所谓的权重“在线重打包”功能,详情见 此PR。如果你使用Q4_0,并且你的硬件能从权重重打包中受益,它将自动实时进行重打包。 从llama.cpp构建 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,感谢 此PR,它也会为ARM重打包权重,不过目前仅适用于4_4。加载时间可能会更长,但总体速度会提高。
如何选择文件
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RAM和/或VRAM。
- 追求极致速度:如果你希望模型尽可能快地运行,你需要将整个模型放入GPU的VRAM中。选择文件大小比GPU总VRAM小1 - 2GB的量化模型。
- 追求极致质量:如果你想要绝对最高的质量,将系统RAM和GPU的VRAM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”。
- 简单选择:如果你不想考虑太多,选择K - 量化模型。这些模型的格式为“QX_K_X”,如Q5_K_M。
- 深入选择: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 feature matrix](https://github.com/ggerganov/llama.cpp/wiki/Feature - matrix)。 一般来说,如果你目标是Q4以下的量化,并且你使用的是cuBLAS(Nvidia)或rocBLAS(AMD),你应该考虑I - 量化模型。这些模型的格式为IQX_X,如IQ3_M。它们是较新的模型,在相同大小下提供更好的性能。 I - 量化模型也可以在CPU上使用,但比同等的K - 量化模型慢,因此你需要在速度和性能之间做出权衡。
🔧 技术细节
在线重打包性能提升
以AVX2系统(EPYC7702)上的基准测试为例:
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。
📄 许可证
本项目采用Apache - 2.0许可证。
致谢
感谢kalomaze和Dampf协助创建imatrix校准数据集。 感谢ZeroWw提供关于嵌入/输出实验的灵感。 感谢LM Studio赞助本项目。 如果你想支持我的工作,请访问我的ko - fi页面:[https://ko - fi.com/bartowski](https://ko - fi.com/bartowski)



