模型简介
模型特点
模型能力
使用案例
🚀 Qwen3-30B-A3B的Llamacpp imatrix量化版本
本项目是对Qwen3-30B-A3B模型进行量化处理,使用 llama.cpp 发布版本 b5200 进行量化操作。通过优化的量化技术,在保证模型性能的同时,有效减少了模型的存储空间和计算资源需求,使得模型在更多设备上能够高效运行。
基本信息
属性 | 详情 |
---|---|
量化者 | bartowski |
任务类型 | 文本生成 |
许可证 | apache-2.0 |
许可证链接 | https://huggingface.co/Qwen/Qwen3-30B-A3B/blob/main/LICENSE |
基础模型 | Qwen/Qwen3-30B-A3B |
基础模型关系 | 量化版本 |
原模型链接
https://huggingface.co/Qwen/Qwen3-30B-A3B
🚀 快速开始
所有量化模型均使用imatrix选项和来自 此处 的数据集(并补充了额外的合成数据,后续会发布)生成。你可以通过以下两种方式运行这些量化模型:
提示格式
<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
新增内容
改进了imatrix数据集,进一步提升了模型的性能和稳定性。
📦 模型下载
你可以从以下列表中选择下载单个文件(而非整个分支):
文件名 | 量化类型 | 文件大小 | 分割情况 | 描述 |
---|---|---|---|---|
Qwen3-30B-A3B-bf16.gguf | bf16 | 61.10GB | true | 完整的BF16权重。 |
Qwen3-30B-A3B-Q8_0.gguf | Q8_0 | 32.48GB | false | 极高质量,通常不需要,但为可用的最高量化级别。 |
Qwen3-30B-A3B-Q6_K_L.gguf | Q6_K_L | 25.26GB | false | 嵌入和输出权重使用Q8_0。非常高质量,接近完美,推荐。 |
Qwen3-30B-A3B-Q6_K.gguf | Q6_K | 25.10GB | false | 非常高质量,接近完美,推荐。 |
Qwen3-30B-A3B-Q5_K_L.gguf | Q5_K_L | 21.94GB | false | 嵌入和输出权重使用Q8_0。高质量,推荐。 |
Qwen3-30B-A3B-Q5_K_M.gguf | Q5_K_M | 21.74GB | false | 高质量,推荐。 |
Qwen3-30B-A3B-Q5_K_S.gguf | Q5_K_S | 21.10GB | false | 高质量,推荐。 |
Qwen3-30B-A3B-Q4_1.gguf | Q4_1 | 19.21GB | 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。 |
Qwen3-30B-A3B-Q4_K_L.gguf | Q4_K_L | 18.86GB | false | 嵌入和输出权重使用Q8_0。质量良好,推荐。 |
Qwen3-30B-A3B-Q4_K_M.gguf | Q4_K_M | 18.63GB | false | 质量良好,是大多数用例的默认大小,推荐。 |
Qwen3-30B-A3B-Q4_K_S.gguf | Q4_K_S | 17.98GB | false | 质量稍低,但节省更多空间,推荐。 |
Qwen3-30B-A3B-Q4_0.gguf | Q4_0 | 17.63GB | false | 旧格式,支持为ARM和AVX CPU推理进行在线重新打包。 |
Qwen3-30B-A3B-IQ4_NL.gguf | IQ4_NL | 17.39GB | false | 与IQ4_XS相似,但稍大。支持为ARM CPU推理进行在线重新打包。 |
Qwen3-30B-A3B-IQ4_XS.gguf | IQ4_XS | 16.46GB | false | 质量不错,比Q4_K_S小,性能相似,推荐。 |
Qwen3-30B-A3B-Q3_K_XL.gguf | Q3_K_XL | 14.86GB | 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。 |
Qwen3-30B-A3B-Q3_K_L.gguf | Q3_K_L | 14.58GB | false | 质量较低但可用,适合低内存情况。 |
Qwen3-30B-A3B-Q3_K_M.gguf | Q3_K_M | 14.08GB | false | 低质量。 |
Qwen3-30B-A3B-IQ3_M.gguf | IQ3_M | 14.08GB | false | 中低质量,新方法,性能与Q3_K_M相当。 |
Qwen3-30B-A3B-Q3_K_S.gguf | Q3_K_S | 13.43GB | false | 低质量,不推荐。 |
Qwen3-30B-A3B-IQ3_XS.gguf | IQ3_XS | 12.74GB | false | 质量较低,新方法,性能不错,略优于Q3_K_S。 |
Qwen3-30B-A3B-IQ3_XXS.gguf | IQ3_XXS | 12.22GB | false | 质量较低,新方法,性能不错,与Q3量化相当。 |
Qwen3-30B-A3B-Q2_K_L.gguf | Q2_K_L | 11.21GB | 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。 |
Qwen3-30B-A3B-Q2_K.gguf | Q2_K | 10.91GB | false | 质量非常低,但出人意料地可用。 |
Qwen3-30B-A3B-IQ2_M.gguf | IQ2_M | 10.43GB | false | 相对低质量,使用了最先进的技术,出人意料地可用。 |
Qwen3-30B-A3B-IQ2_S.gguf | IQ2_S | 9.22GB | false | 低质量,使用了最先进的技术,可用。 |
Qwen3-30B-A3B-IQ2_XS.gguf | IQ2_XS | 9.14GB | false | 低质量,使用了最先进的技术,可用。 |
Qwen3-30B-A3B-IQ2_XXS.gguf | IQ2_XXS | 8.15GB | false | 质量非常低,使用了最先进的技术,可用。 |
嵌入/输出权重说明
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,而非默认设置。
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/Qwen_Qwen3-30B-A3B-GGUF --include "Qwen_Qwen3-30B-A3B-Q4_K_M.gguf" --local-dir ./
如果模型大小超过50GB,它将被分割成多个文件。要将它们全部下载到本地文件夹,请运行:
huggingface-cli download bartowski/Qwen_Qwen3-30B-A3B-GGUF --include "Qwen_Qwen3-30B-A3B-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(如Qwen_Qwen3-30B-A3B-Q8_0),也可以将它们全部下载到当前目录(./)。
🔧 技术细节
ARM/AVX信息
以前,你会下载Q4_0_4_4/4_8/8_8文件,这些文件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。
现在,有了一种称为“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,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,如果你想获得稍好的质量,可以使用IQ4_NL,这得益于 此PR,它也会为ARM重新打包权重,但目前仅适用于4_4。加载时间可能会较慢,但总体速度会提高。
点击查看Q4_0_X_X信息(已弃用)
保留此部分是为了展示使用支持在线重新打包的Q4_0在理论上的性能提升。
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 | 测试类型 | 令牌/秒 | 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在提示处理方面有显著提升,在文本生成方面有小幅提升。
📚 如何选择合适的文件
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,可参考 此处。
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内存(RAM)和/或显存(VRAM)。
- 追求最快速度:如果你希望模型运行得尽可能快,你需要将整个模型放入GPU的显存中。选择文件大小比你的GPU总显存小1 - 2GB的量化模型。
- 追求最高质量:如果你追求绝对最高质量,将系统内存和GPU显存相加,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”。
- 简单选择: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。
- 深入了解:如果你想深入了解,可以查看这个非常有用的功能图表:llama.cpp功能矩阵。
一般来说,如果你目标是低于Q4的量化,并且你使用cuBLAS(Nvidia)或rocBLAS(AMD),你应该考虑I量化模型,格式为IQX_X,如IQ3_M。这些是较新的量化方法,在相同大小下提供更好的性能。
I量化模型也可以在CPU上使用,但比对应的K量化模型慢,因此你需要在速度和性能之间进行权衡。
📄 许可证
本项目采用 apache-2.0 许可证。
🙏 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在嵌入/输出实验方面提供的灵感。
- 感谢LM Studio对本项目的赞助。
如果你想支持我的工作,请访问我的ko-fi页面:https://ko-fi.com/bartowski



