Nvidia OpenCodeReasoning Nemotron 14B GGUF

🚀 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

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：

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)