Qwen_Qwen3-32B-GGUF开源模型 - 支持多类型量化适配不同硬件需求

首页

Qwen Qwen3 32B GGUF

由 bartowski 开发

基于Qwen/Qwen3-32B的量化版本，使用llama.cpp进行量化，支持多种量化类型，适用于不同硬件需求。

大型语言模型开源协议:Apache-2.0 #高精度量化 #多场景文本生成 #低内存优化

下载量 49.13k

发布时间 : 4/28/2025

模型简介

这是一个32B参数规模的大语言模型量化版本，支持文本生成任务，适用于需要高效推理的场景。

模型特点

多种量化版本

提供从Q8_0到IQ2_XXS等多种量化类型，满足不同硬件和性能需求。

高质量量化

使用imatrix选项进行量化，确保模型质量接近原始版本。

广泛兼容性

可在LM Studio或基于llama.cpp的项目中运行，支持多种硬件平台。

模型能力

文本生成

高效推理

使用案例

文本生成

对话系统

用于构建智能对话系统，支持多轮对话。

内容创作

辅助生成文章、故事等内容。

🚀 Qwen3-32B的Llamacpp imatrix量化版本

本项目使用 llama.cpp 的 b5200 版本对Qwen3-32B模型进行量化。该项目提供了多种量化类型的模型文件，方便不同硬件条件和需求的用户使用。

🚀 快速开始

你可以在 LM Studio 中运行这些量化后的模型，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

多种量化类型：提供了从高精度到低精度的多种量化类型，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：部分量化类型支持在线重打包，可自动优化ARM和AVX机器的性能。
易于下载：支持使用 huggingface-cli 下载特定的模型文件。

📦 安装指南

安装huggingface-cli

确保你已经安装了 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/Qwen_Qwen3-32B-GGUF --include "Qwen_Qwen3-32B-Q4_K_M.gguf" --local-dir ./

下载拆分文件

如果模型文件大于50GB，它会被拆分成多个文件。要将它们全部下载到本地文件夹，请运行：

huggingface-cli download bartowski/Qwen_Qwen3-32B-GGUF --include "Qwen_Qwen3-32B-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如 Qwen_Qwen3-32B-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

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

📚 详细文档

下载文件列表

文件名	量化类型	文件大小	是否拆分	描述
Qwen3-32B-bf16.gguf	bf16	65.53GB	true	完整的BF16权重。
Qwen3-32B-Q8_0.gguf	Q8_0	34.82GB	false	极高质量，通常不需要，但为可用的最高量化。
Qwen3-32B-Q6_K_L.gguf	Q6_K_L	27.26GB	false	对嵌入和输出权重使用Q8_0。非常高质量，接近完美，推荐。
Qwen3-32B-Q6_K.gguf	Q6_K	26.88GB	false	非常高质量，接近完美，推荐。
Qwen3-32B-Q5_K_L.gguf	Q5_K_L	23.69GB	false	对嵌入和输出权重使用Q8_0。高质量，推荐。
Qwen3-32B-Q5_K_M.gguf	Q5_K_M	23.21GB	false	高质量，推荐。
Qwen3-32B-Q5_K_S.gguf	Q5_K_S	22.64GB	false	高质量，推荐。
Qwen3-32B-Q4_1.gguf	Q4_1	20.64GB	false	旧格式，性能与Q4_K_S相似，但在Apple硅芯片上的每瓦令牌数有所提高。
Qwen3-32B-Q4_K_L.gguf	Q4_K_L	20.34GB	false	对嵌入和输出权重使用Q8_0。质量良好，推荐。
Qwen3-32B-Q4_K_M.gguf	Q4_K_M	19.76GB	false	质量良好，是大多数用例的默认大小，推荐。
Qwen3-32B-Q4_K_S.gguf	Q4_K_S	18.77GB	false	质量略低，但节省更多空间，推荐。
Qwen3-32B-Q4_0.gguf	Q4_0	18.70GB	false	旧格式，为ARM和AVX CPU推理提供在线重打包。
Qwen3-32B-IQ4_NL.gguf	IQ4_NL	18.68GB	false	类似于IQ4_XS，但略大。为ARM CPU推理提供在线重打包。
Qwen3-32B-Q3_K_XL.gguf	Q3_K_XL	18.01GB	false	对嵌入和输出权重使用Q8_0。质量较低但可用，适合低RAM情况。
Qwen3-32B-IQ4_XS.gguf	IQ4_XS	17.69GB	false	质量不错，比Q4_K_S小，性能相似，推荐。
Qwen3-32B-Q3_K_L.gguf	Q3_K_L	17.33GB	false	质量较低但可用，适合低RAM情况。
Qwen3-32B-Q3_K_M.gguf	Q3_K_M	15.97GB	false	低质量。
Qwen3-32B-IQ3_M.gguf	IQ3_M	14.93GB	false	中低质量，新方法，性能与Q3_K_M相当。
Qwen3-32B-Q3_K_S.gguf	Q3_K_S	14.39GB	false	低质量，不推荐。
Qwen3-32B-IQ3_XS.gguf	IQ3_XS	13.70GB	false	质量较低，新方法，性能不错，略优于Q3_K_S。
Qwen3-32B-Q2_K_L.gguf	Q2_K_L	13.10GB	false	对嵌入和输出权重使用Q8_0。质量非常低，但出人意料地可用。
Qwen3-32B-IQ3_XXS.gguf	IQ3_XXS	12.82GB	false	质量较低，新方法，性能不错，与Q3量化相当。
Qwen3-32B-Q2_K.gguf	Q2_K	12.34GB	false	质量非常低，但出人意料地可用。
Qwen3-32B-IQ2_M.gguf	IQ2_M	11.36GB	false	相对低质量，使用SOTA技术，出人意料地可用。
Qwen3-32B-IQ2_S.gguf	IQ2_S	10.51GB	false	低质量，使用SOTA技术，可用。
Qwen3-32B-IQ2_XS.gguf	IQ2_XS	9.95GB	false	低质量，使用SOTA技术，可用。
Qwen3-32B-IQ2_XXS.gguf	IQ2_XXS	9.02GB	false	质量非常低，使用SOTA技术，可用。

嵌入/输出权重

部分量化类型（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，这些权重在内存中交错排列，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，现在有了一种称为“在线重打包”的权重处理方式，详情见此PR。如果你使用Q4_0，并且你的硬件可以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。加载时间可能会较慢，但总体速度会提高。

选择哪个文件？

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系统内存（RAM）和/或显卡显存（VRAM）。

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的显存中。选择一个文件大小比GPU总显存小1 - 2GB的量化模型。

如果你追求绝对的最高质量，将系统内存和GPU显存相加，然后选择一个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-quant”还是“K-quant”。

如果你不想考虑太多，可以选择K-quant。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，如果你目标是低于Q4的量化，并且你使用的是cuBLAS（Nvidia）或rocBLAS（AMD），你应该考虑I-quant。这些模型的格式为IQX_X，如IQ3_M。这些是较新的量化方法，在相同大小下提供更好的性能。

这些I-quant也可以在CPU上使用，但比同等的K-quant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

以前，为了提高ARM和AVX机器的性能，会下载Q4_0_4_4/4_8/8_8文件，这些文件的权重在内存中交错排列，以便一次加载更多数据。现在，有了“在线重打包”的概念，详情见此PR。如果你使用Q4_0，并且硬件适合重打包权重，它会自动实时进行重打包。从llama.cpp构建 b4282 开始，不能再运行Q4_0_X_X文件，而应使用Q4_0。此外，借助此PR，可以使用IQ4_NL获得稍好的质量，它也会为ARM重打包权重（目前仅适用于4_4），加载时间可能较慢，但总体速度会提高。

性能基准测试

在AVX2系统（EPYC7702）上的基准测试表明，Q4_0_8_8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。具体数据如下：

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%