模型简介
模型特点
模型能力
使用案例
🚀 Qwen3-4B的Llamacpp imatrix量化版本
本项目使用 llama.cpp 的 b5200 版本进行量化。原始模型可在 这里 查看。所有量化模型均使用 imatrix 选项,并采用了 此数据集。
🚀 快速开始
你可以在 LM Studio 中运行这些量化模型,也可以直接使用 llama.cpp 或其他基于 llama.cpp 的项目来运行。
✨ 主要特性
- 使用特定版本的 llama.cpp 进行量化,确保量化的准确性和稳定性。
- 提供多种量化类型,满足不同场景下对模型质量和文件大小的需求。
📦 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 hugginface-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/Qwen_Qwen3-4B-GGUF --include "Qwen_Qwen3-4B-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/Qwen_Qwen3-4B-GGUF --include "Qwen_Qwen3-4B-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(如 Qwen_Qwen3-4B-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
<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
📚 详细文档
下载文件
你可以从以下列表中选择并下载单个文件(而非整个分支):
文件名 | 量化类型 | 文件大小 | 分割情况 | 描述 |
---|---|---|---|---|
Qwen3-4B-bf16.gguf | bf16 | 8.05GB | 否 | 完整的 BF16 权重。 |
Qwen3-4B-Q8_0.gguf | Q8_0 | 4.28GB | 否 | 极高质量,通常不需要,但为最大可用量化。 |
Qwen3-4B-Q6_K_L.gguf | Q6_K_L | 3.40GB | 否 | 嵌入和输出权重使用 Q8_0。非常高质量,接近完美,推荐。 |
Qwen3-4B-Q6_K.gguf | Q6_K | 3.31GB | 否 | 非常高质量,接近完美,推荐。 |
Qwen3-4B-Q5_K_L.gguf | Q5_K_L | 2.98GB | 否 | 嵌入和输出权重使用 Q8_0。高质量,推荐。 |
Qwen3-4B-Q5_K_M.gguf | Q5_K_M | 2.89GB | 否 | 高质量,推荐。 |
Qwen3-4B-Q5_K_S.gguf | Q5_K_S | 2.82GB | 否 | 高质量,推荐。 |
Qwen3-4B-Q4_1.gguf | Q4_1 | 2.60GB | 否 | 旧格式,性能与 Q4_K_S 相似,但在苹果硅芯片上每瓦处理的令牌数有所提高。 |
Qwen3-4B-Q4_K_L.gguf | Q4_K_L | 2.59GB | 否 | 嵌入和输出权重使用 Q8_0。质量良好,推荐。 |
Qwen3-4B-Q4_K_M.gguf | Q4_K_M | 2.50GB | 否 | 质量良好,为大多数用例的默认大小,推荐。 |
Qwen3-4B-Q4_K_S.gguf | Q4_K_S | 2.38GB | 否 | 质量略低,但节省更多空间,推荐。 |
Qwen3-4B-Q4_0.gguf | Q4_0 | 2.38GB | 否 | 旧格式,可为 ARM 和 AVX CPU 推理提供在线重新打包。 |
Qwen3-4B-IQ4_NL.gguf | IQ4_NL | 2.38GB | 否 | 与 IQ4_XS 相似,但略大。可为 ARM CPU 推理提供在线重新打包。 |
Qwen3-4B-Q3_K_XL.gguf | Q3_K_XL | 2.33GB | 否 | 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。 |
Qwen3-4B-IQ4_XS.gguf | IQ4_XS | 2.27GB | 否 | 质量尚可,比 Q4_K_S 小,性能相似,推荐。 |
Qwen3-4B-Q3_K_L.gguf | Q3_K_L | 2.24GB | 否 | 质量较低但可用,适合低内存情况。 |
Qwen3-4B-Q3_K_M.gguf | Q3_K_M | 2.08GB | 否 | 低质量。 |
Qwen3-4B-IQ3_M.gguf | IQ3_M | 1.96GB | 否 | 中低质量,新方法,性能与 Q3_K_M 相当。 |
Qwen3-4B-Q3_K_S.gguf | Q3_K_S | 1.89GB | 否 | 低质量,不推荐。 |
Qwen3-4B-IQ3_XS.gguf | IQ3_XS | 1.81GB | 否 | 质量较低,新方法,性能尚可,略优于 Q3_K_S。 |
Qwen3-4B-Q2_K_L.gguf | Q2_K_L | 1.76GB | 否 | 嵌入和输出权重使用 Q8_0。质量非常低,但出人意料地可用。 |
Qwen3-4B-IQ3_XXS.gguf | IQ3_XXS | 1.67GB | 否 | 质量较低,新方法,性能尚可,与 Q3 量化相当。 |
Qwen3-4B-Q2_K.gguf | Q2_K | 1.67GB | 否 | 质量非常低,但出人意料地可用。 |
Qwen3-4B-IQ2_M.gguf | IQ2_M | 1.51GB | 否 | 质量相对较低,使用了最先进的技术,出人意料地可用。 |
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 模型,并且你的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 格式。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 模型在理论上可能带来的性能提升。
点击查看 AVX2 系统(EPYC7702)上的基准测试
模型 | 大小 | 参数 | 后端 | 线程数 | 测试用例 | 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 模型在提示处理方面有显著提升,在文本生成方面也有小幅提升。
如何选择文件
点击查看详情
Artefact2 提供了一篇很棒的文章,配有图表展示各种性能,可查看 此处。
首先,你需要确定能够运行的模型大小。为此,你需要了解自己拥有的 RAM 和/或 VRAM 容量。
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。选择文件大小比 GPU 总 VRAM 小 1 - 2GB 的量化模型。
如果你追求绝对的最高质量,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”模型。
如果你不想考虑太多,可以选择 K 量化模型。这些模型的格式为 '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
但基本上,如果你希望量化级别低于 Q4,并且使用 cuBLAS(英伟达)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。这些模型较新,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进行权衡。
🔧 技术细节
在线重新打包
现在 llama.cpp 支持在线重新打包权重,详情见 此 PR。如果你使用 Q4_0 模型,并且硬件能从重新打包权重中受益,它将自动实时进行处理。
📄 许可证
文档中未提及相关许可证信息。
致谢
感谢 kalomaze 和 Dampf 在创建 imatrix 校准数据集方面提供的帮助。 感谢 ZeroWw 启发我对嵌入/输出进行实验。 感谢 LM Studio 对我工作的赞助。
如果你想支持我的工作,请访问我的 ko-fi 页面:https://ko-fi.com/bartowski



