mlabonne_Qwen3-14B-abliterated-GGUF开源模型 - 免费部署助力文本生成任务

首页

Mlabonne Qwen3 14B Abliterated GGUF

由 bartowski 开发

这是Qwen3-14B-abliterated模型的量化版本，使用llama.cpp的imatrix选项进行量化，适用于文本生成任务。

大型语言模型 #高精度量化 #多轮对话优化 #低资源部署

下载量 18.67k

发布时间 : 4/29/2025

模型简介

该模型是基于Qwen3-14B-abliterated的量化版本，支持多种量化类型，适用于文本生成任务，可在LM Studio或llama.cpp中运行。

模型特点

多种量化选项

提供从BF16到Q2_K的多种量化类型，满足不同硬件和性能需求。

imatrix量化

使用llama.cpp的imatrix选项进行量化，优化模型性能。

广泛兼容性

可在LM Studio、llama.cpp或任何基于llama.cpp的项目中运行。

模型能力

文本生成

多语言支持

使用案例

文本生成

对话系统

用于构建智能对话系统，生成自然语言响应。

内容创作

辅助生成文章、故事或其他文本内容。

🚀 mlabonne的Qwen3 - 14B - abliterated的Llamacpp imatrix量化

本项目使用 llama.cpp 的 b5270 版本进行量化。原模型地址为：https://huggingface.co/mlabonne/Qwen3 - 14B - abliterated。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 中运行这些模型，也可以直接使用 llama.cpp 或其他基于 llama.cpp 的项目来运行。

🚀 快速开始

提示格式

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

新特性

mlabonne 提供了新的模型文件（仍在开发中）。

📦 安装指南

使用 huggingface - cli 下载

点击查看下载说明

首先，确保你已经安装了 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/mlabonne_Qwen3-14B-abliterated-GGUF --include "mlabonne_Qwen3-14B-abliterated-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/mlabonne_Qwen3-14B-abliterated-GGUF --include "mlabonne_Qwen3-14B-abliterated-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如 mlabonne_Qwen3 - 14B - abliterated - Q8_0），也可以将它们全部下载到当前目录（./）。

📚 详细文档

下载文件

从以下列表中下载单个文件（而非整个分支）：

文件名	量化类型	文件大小	分割情况	描述
Qwen3-14B-abliterated-bf16.gguf	bf16	29.54GB	false	完整的 BF16 权重。
Qwen3-14B-abliterated-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。
Qwen3-14B-abliterated-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。
Qwen3-14B-abliterated-Q6_K.gguf	Q6_K	12.12GB	false	非常高质量，接近完美，推荐。
Qwen3-14B-abliterated-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。
Qwen3-14B-abliterated-Q5_K_M.gguf	Q5_K_M	10.51GB	false	高质量，推荐。
Qwen3-14B-abliterated-Q5_K_S.gguf	Q5_K_S	10.26GB	false	高质量，推荐。
Qwen3-14B-abliterated-Q4_K_L.gguf	Q4_K_L	9.58GB	false	嵌入和输出权重使用 Q8_0。质量良好，推荐。
Qwen3-14B-abliterated-Q4_1.gguf	Q4_1	9.39GB	false	旧格式，性能与 Q4_K_S 相似，但在苹果硅芯片上的每瓦令牌数有所提高。
Qwen3-14B-abliterated-Q4_K_M.gguf	Q4_K_M	9.00GB	false	质量良好，是大多数用例的默认大小，推荐。
Qwen3-14B-abliterated-Q3_K_XL.gguf	Q3_K_XL	8.58GB	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。
Qwen3-14B-abliterated-Q4_K_S.gguf	Q4_K_S	8.57GB	false	质量略低，但节省空间，推荐。
Qwen3-14B-abliterated-Q4_0.gguf	Q4_0	8.54GB	false	旧格式，可为 ARM 和 AVX CPU 推理提供在线重新打包。
Qwen3-14B-abliterated-IQ4_NL.gguf	IQ4_NL	8.54GB	false	与 IQ4_XS 相似，但略大。可为 ARM CPU 推理提供在线重新打包。
Qwen3-14B-abliterated-IQ4_XS.gguf	IQ4_XS	8.11GB	false	质量不错，比 Q4_K_S 小，性能相似，推荐。
Qwen3-14B-abliterated-Q3_K_L.gguf	Q3_K_L	7.90GB	false	质量较低但可用，适合低内存情况。
Qwen3-14B-abliterated-Q3_K_M.gguf	Q3_K_M	7.32GB	false	低质量。
Qwen3-14B-abliterated-IQ3_M.gguf	IQ3_M	6.88GB	false	中低质量，新方法，性能与 Q3_K_M 相当。
Qwen3-14B-abliterated-Q3_K_S.gguf	Q3_K_S	6.66GB	false	低质量，不推荐。
Qwen3-14B-abliterated-Q2_K_L.gguf	Q2_K_L	6.51GB	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。
Qwen3-14B-abliterated-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。
Qwen3-14B-abliterated-IQ3_XXS.gguf	IQ3_XXS	5.94GB	false	质量较低，新方法，性能不错，与 Q3 量化相当。
Qwen3-14B-abliterated-Q2_K.gguf	Q2_K	5.75GB	false	质量非常低，但出人意料地可用。
Qwen3-14B-abliterated-IQ2_M.gguf	IQ2_M	5.32GB	false	相对低质量，使用了最先进的技术，出人意料地可用。
Qwen3-14B-abliterated-IQ2_S.gguf	IQ2_S	4.96GB	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 模型，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。

然而，现在有了一种名为“在线重新打包”的权重处理方式，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，它会自动实时进行处理。

从 llama.cpp 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，如果你想获得略高的质量，可以使用 IQ4_NL，这得益于此 PR，它也会为 ARM 重新打包权重，不过目前仅支持 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 模型在理论上的性能提升。

点击查看 AVX2 系统（EPYC7702）上的基准测试结果

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
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%