模型简介
模型特点
模型能力
使用案例
🚀 Absolute_Zero_Reasoner-Coder-7b的Llamacpp imatrix量化版本
本项目是对andrewzh的Absolute_Zero_Reasoner-Coder-7b模型进行量化处理。通过量化,能在不同硬件条件下更高效地运行模型,满足多样化的使用需求。
🚀 快速开始
使用 llama.cpp 版本 b5338 进行量化。 原始模型地址:https://huggingface.co/andrewzh/Absolute_Zero_Reasoner-Coder-7b
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
提示格式
{system_prompt}
{prompt}
下载文件
你可以从以下表格中选择并下载所需的文件(非整个分支):
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。
📦 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/andrewzh_Absolute_Zero_Reasoner-Coder-7b-GGUF --include "andrewzh_Absolute_Zero_Reasoner-Coder-7b-Q4_K_M.gguf" --local-dir ./
如果模型大于50GB,它将被拆分为多个文件。要将它们全部下载到本地文件夹,请运行:
huggingface-cli download bartowski/andrewzh_Absolute_Zero_Reasoner-Coder-7b-GGUF --include "andrewzh_Absolute_Zero_Reasoner-Coder-7b-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(如andrewzh_Absolute_Zero_Reasoner-Coder-7b-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,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,并且你的硬件能从权重重新打包中受益,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,如果你想获得更好的质量,可以使用IQ4_NL,详情见 此PR,它也会为ARM重新打包权重,不过目前仅适用于4_4。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带有在线重新打包的Q4_0在性能上的潜在理论提升。
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 | 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% |
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,可查看 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)。
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。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量化模型。这些模型的格式为IQX_X,如IQ3_M。这些是较新的模型,在相同大小下提供更好的性能。
这些I量化模型也可以在CPU上使用,但比相应的K量化模型慢,因此你需要在速度和性能之间做出权衡。
📄 许可证
文档中未提及相关许可证信息。
致谢
感谢kalomaze和Dampf协助创建imatrix校准数据集。 感谢ZeroWw在嵌入/输出实验方面提供的灵感。 感谢LM Studio对本项目的支持。
如果你想支持我的工作,请访问我的ko-fi页面:https://ko-fi.com/bartowski



