Remnant-GLM4-32B开源大语言模型 - 支持角色扮演对话，适用于蝾螈应用

首页

Allura Org Remnant Glm4 32b GGUF

由 bartowski 开发

Remnant-GLM4-32B 是一个基于 GLM4 架构的 32B 参数大语言模型，支持角色扮演和对话式交互，特别适合蝾螈相关的应用场景。

大型语言模型开源协议:Apache-2.0 #高精度量化 #角色扮演对话 #多场景适配

下载量 2,198

发布时间 : 5/4/2025

模型简介

该模型是一个量化版本的大语言模型，支持文本生成任务，特别优化了角色扮演和对话式交互能力。

模型特点

高效量化

使用 llama.cpp 进行 imatrix 量化，提供多种量化选项，适合不同硬件环境。

角色扮演优化

特别优化了角色扮演和对话式交互能力，适合游戏和虚拟角色应用。

多量化选项

提供从 Q8_0 到 IQ2_XXS 的多种量化版本，满足不同性能和存储需求。

模型能力

文本生成

角色扮演

对话式交互

使用案例

游戏

虚拟角色对话

在游戏中生成虚拟角色的对话内容，增强玩家沉浸感。

娱乐

角色扮演聊天

用于生成角色扮演聊天内容，适合社交平台或聊天应用。

🚀 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。