模型简介
模型特点
模型能力
使用案例
🚀 allura-org的remnant - glm4 - 32b的Llamacpp imatrix量化版本
本项目是对allura - org的remnant - glm4 - 32b模型进行量化处理,使用特定工具和方法生成了多种量化版本的模型文件,方便不同硬件和场景下的使用。
🚀 快速开始
使用 llama.cpp 版本 b5270 进行量化。 原始模型地址:https://huggingface.co/allura-org/remnant-glm4-32b 所有量化模型均使用imatrix选项,并采用来自 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 或任何基于llama.cpp的项目来运行。
✨ 主要特性
- 提供多种量化类型的模型文件,满足不同硬件和性能需求。
- 支持在线重新打包权重,提高在ARM和AVX机器上的性能。
- 部分量化模型使用Q8_0处理嵌入和输出权重,提升质量。
📦 安装指南
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/allura-org_remnant-glm4-32b-GGUF --include "allura-org_remnant-glm4-32b-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。若要将它们全部下载到本地文件夹,请运行: ``` huggingface-cli download bartowski/allura-org_remnant-glm4-32b-GGUF --include "allura-org_remnant-glm4-32b-Q8_0/*" --local-dir ./ ``` 你可以指定一个新的本地目录(如allura - org_remnant - glm4 - 32b - Q8_0),也可以将它们全部下载到当前目录(./)。💻 使用示例
提示格式
[gMASK]<sop><|system|>
{system_prompt}<|user|>
{prompt}<|assistant|>
📚 详细文档
下载文件选择
文件名 | 量化类型 | 文件大小 | 分割情况 | 描述 |
---|---|---|---|---|
remnant-glm4-32b-bf16.gguf | bf16 | 65.14GB | true | 完整的BF16权重。 |
remnant-glm4-32b-Q8_0.gguf | Q8_0 | 34.62GB | false | 极高质量,通常不需要,但为最大可用量化。 |
remnant-glm4-32b-Q6_K_L.gguf | Q6_K_L | 27.18GB | false | 嵌入和输出权重使用Q8_0。非常高质量,接近完美,推荐。 |
remnant-glm4-32b-Q6_K.gguf | Q6_K | 26.73GB | false | 非常高质量,接近完美,推荐。 |
remnant-glm4-32b-Q5_K_L.gguf | Q5_K_L | 23.67GB | false | 嵌入和输出权重使用Q8_0。高质量,推荐。 |
remnant-glm4-32b-Q5_K_M.gguf | Q5_K_M | 23.10GB | false | 高质量,推荐。 |
remnant-glm4-32b-Q5_K_S.gguf | Q5_K_S | 22.53GB | false | 高质量,推荐。 |
remnant-glm4-32b-Q4_1.gguf | Q4_1 | 20.55GB | false | 旧格式,性能与Q4_K_S相似,但在Apple硅芯片上每瓦令牌数有所提高。 |
remnant-glm4-32b-Q4_K_L.gguf | Q4_K_L | 20.37GB | false | 嵌入和输出权重使用Q8_0。质量良好,推荐。 |
remnant-glm4-32b-Q4_K_M.gguf | Q4_K_M | 19.68GB | false | 质量良好,为大多数用例的默认大小,推荐。 |
remnant-glm4-32b-Q4_K_S.gguf | Q4_K_S | 18.70GB | false | 质量稍低,但节省更多空间,推荐。 |
remnant-glm4-32b-Q4_0.gguf | Q4_0 | 18.63GB | false | 旧格式,支持为ARM和AVX CPU推理进行在线重新打包。 |
remnant-glm4-32b-IQ4_NL.gguf | IQ4_NL | 18.58GB | false | 与IQ4_XS相似,但稍大。支持为ARM CPU推理进行在线重新打包。 |
remnant-glm4-32b-Q3_K_XL.gguf | Q3_K_XL | 18.03GB | false | 嵌入和输出权重使用Q8_0。质量较低但可用,适合低RAM情况。 |
remnant-glm4-32b-IQ4_XS.gguf | IQ4_XS | 17.60GB | false | 质量不错,比Q4_K_S小,性能相似,推荐。 |
remnant-glm4-32b-Q3_K_L.gguf | Q3_K_L | 17.22GB | false | 质量较低但可用,适合低RAM情况。 |
remnant-glm4-32b-Q3_K_M.gguf | Q3_K_M | 15.89GB | false | 质量低。 |
remnant-glm4-32b-IQ3_M.gguf | IQ3_M | 14.82GB | false | 中低质量,新方法,性能与Q3_K_M相当。 |
remnant-glm4-32b-Q3_K_S.gguf | Q3_K_S | 14.37GB | false | 质量低,不推荐。 |
remnant-glm4-32b-IQ3_XS.gguf | IQ3_XS | 13.66GB | false | 质量较低,新方法,性能不错,略优于Q3_K_S。 |
remnant-glm4-32b-Q2_K_L.gguf | Q2_K_L | 13.20GB | 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。 |
remnant-glm4-32b-IQ3_XXS.gguf | IQ3_XXS | 12.78GB | false | 质量较低,新方法,性能不错,与Q3量化相当。 |
remnant-glm4-32b-Q2_K.gguf | Q2_K | 12.29GB | false | 质量非常低,但出人意料地可用。 |
remnant-glm4-32b-IQ2_M.gguf | IQ2_M | 11.27GB | false | 质量相对较低,使用SOTA技术,出人意料地可用。 |
remnant-glm4-32b-IQ2_S.gguf | IQ2_S | 10.42GB | false | 质量低,使用SOTA技术可用。 |
remnant-glm4-32b-IQ2_XS.gguf | IQ2_XS | 9.90GB | false | 质量低,使用SOTA技术可用。 |
remnant-glm4-32b-IQ2_XXS.gguf | IQ2_XXS | 8.98GB | false | 质量非常低,使用SOTA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,现在有了所谓的权重“在线重新打包”功能,详情见 此PR。如果你使用Q4_0,且硬件能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,感谢 此PR,它也会为ARM重新打包权重,不过目前仅支持4_4。加载时间可能会较慢,但总体速度会提高。
如何选择文件
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,链接为 [此处](https://gist.github.com/Artefact2/b5f810600771265fc1e39442288e8ec9)。 首先,你需要确定能运行多大的模型。为此,你需要了解自己有多少RAM和/或VRAM。 如果你希望模型运行速度尽可能快,你需要将整个模型放入GPU的VRAM中。目标是选择文件大小比GPU总VRAM小1 - 2GB的量化模型。 如果你追求绝对最高质量,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”。 如果你不想考虑太多,选择K - 量化模型,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特性图表:[llama.cpp特性矩阵](https://github.com/ggerganov/llama.cpp/wiki/Feature - matrix)。 但基本上,如果你目标是低于Q4的量化,并且使用cuBLAS(Nvidia)或rocBLAS(AMD),你应该考虑I - 量化模型,格式为IQX_X,如IQ3_M。这些是较新的模型,在相同大小下性能更好。 这些I - 量化模型也可以在CPU上使用,但速度会比相应的K - 量化模型慢,因此你需要在速度和性能之间做出权衡。🔧 技术细节
在线重新打包权重
以前,为提高ARM和AVX机器的性能,会下载Q4_0_4_4/4_8/8_8,其权重在内存中交错排列。现在有了“在线重新打包”功能,详情见 此PR。若使用Q4_0且硬件适合重新打包权重,会自动实时处理。从llama.cpp构建版本 b4282 起,无法运行Q4_0_X_X文件,需使用Q4_0。另外,借助 此PR,使用IQ4_NL可获得稍好质量,它也会为ARM重新打包权重(目前仅4_4),加载时间可能慢,但总体速度提高。
📄 许可证
本项目使用的许可证为apache - 2.0。
致谢
感谢kalomaze和Dampf协助创建imatrix校准数据集。 感谢ZeroWw在嵌入/输出方面的启发。 感谢LM Studio对本工作的赞助。 如果你想支持我的工作,请访问我的ko - fi页面:https://ko-fi.com/bartowski



