andrewzh_Absolute_Zero_Reasoner-Coder-14b-GGUF开源模型

首页

Andrewzh Absolute Zero Reasoner Coder 14b GGUF

由 bartowski 开发

基于andrewzh的Absolute_Zero_Reasoner-Coder-14b模型，使用llama.cpp进行imatrix量化的版本，适用于推理和代码生成任务。

大型语言模型 #高精度推理 #代码生成优化 #多任务处理

下载量 1,995

发布时间 : 5/10/2025

模型简介

这是一个14B参数规模的推理与代码生成模型，经过量化处理以降低资源需求，同时保持较高的性能。

模型特点

高效量化

提供多种量化选项，从高精度到低精度，满足不同硬件需求。

推理优化

使用imatrix量化技术，优化推理性能。

多平台支持

支持在LM Studio、llama.cpp等多种平台上运行。

模型能力

文本生成

代码生成

推理任务

使用案例

编程辅助

代码补全

帮助开发者快速生成代码片段。

提高编码效率

文本生成

内容创作

生成文章、报告等文本内容。

提升内容创作效率

🚀 andrewzh的Absolute_Zero_Reasoner-Coder-14b的Llamacpp imatrix量化版本

本项目提供了andrewzh的Absolute_Zero_Reasoner-Coder-14b模型的量化版本，使用特定工具和方法进行量化处理，方便不同硬件条件下的使用。

🚀 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-14b 所有量化版本均使用imatrix选项，并采用了来自此处的数据集。你可以在 LM Studio 中运行这些量化模型，也可以直接使用 llama.cpp 或任何基于llama.cpp的项目来运行。

✨ 主要特性

提示格式

{system_prompt}
{prompt}

多种量化版本

提供了丰富的量化版本供选择，每个版本都有不同的量化类型、文件大小和特点，以满足不同的性能和质量需求。

嵌入/输出权重处理

部分量化版本（如Q3_K_XL、Q4_K_L等）采用了标准量化方法，将嵌入和输出权重量化为Q8_0，而非默认设置。

在线重打包功能

对于Q4_0量化版本，支持在线重打包权重，以提高在ARM和AVX机器上的性能。

📦 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/andrewzh_Absolute_Zero_Reasoner-Coder-14b-GGUF --include "andrewzh_Absolute_Zero_Reasoner-Coder-14b-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。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-14b-GGUF --include "andrewzh_Absolute_Zero_Reasoner-Coder-14b-Q8_0/*" --local-dir ./

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

💻 使用示例

下载文件

从以下表格中选择并下载所需的文件（不是整个分支）：

文件名	量化类型	文件大小	分割情况	描述
Absolute_Zero_Reasoner-Coder-14b-bf16.gguf	bf16	29.55GB	false	完整的BF16权重。
Absolute_Zero_Reasoner-Coder-14b-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。
Absolute_Zero_Reasoner-Coder-14b-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。
Absolute_Zero_Reasoner-Coder-14b-Q6_K.gguf	Q6_K	12.12GB	false	非常高质量，接近完美，推荐。
Absolute_Zero_Reasoner-Coder-14b-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。
Absolute_Zero_Reasoner-Coder-14b-Q5_K_M.gguf	Q5_K_M	10.51GB	false	高质量，推荐。
Absolute_Zero_Reasoner-Coder-14b-Q5_K_S.gguf	Q5_K_S	10.27GB	false	高质量，推荐。
Absolute_Zero_Reasoner-Coder-14b-Q4_K_L.gguf	Q4_K_L	9.57GB	false	嵌入和输出权重使用Q8_0。质量良好，推荐。
Absolute_Zero_Reasoner-Coder-14b-Q4_1.gguf	Q4_1	9.39GB	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。
Absolute_Zero_Reasoner-Coder-14b-Q4_K_M.gguf	Q4_K_M	8.99GB	false	质量良好，是大多数用例的默认大小，推荐。
Absolute_Zero_Reasoner-Coder-14b-Q3_K_XL.gguf	Q3_K_XL	8.61GB	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。
Absolute_Zero_Reasoner-Coder-14b-Q4_K_S.gguf	Q4_K_S	8.57GB	false	质量略低，但节省空间，推荐。
Absolute_Zero_Reasoner-Coder-14b-IQ4_NL.gguf	IQ4_NL	8.55GB	false	与IQ4_XS相似，但略大。支持ARM CPU推理的在线重打包。
Absolute_Zero_Reasoner-Coder-14b-Q4_0.gguf	Q4_0	8.54GB	false	旧格式，支持ARM和AVX CPU推理的在线重打包。
Absolute_Zero_Reasoner-Coder-14b-IQ4_XS.gguf	IQ4_XS	8.12GB	false	质量不错，比Q4_K_S小，性能相似，推荐。
Absolute_Zero_Reasoner-Coder-14b-Q3_K_L.gguf	Q3_K_L	7.92GB	false	质量较低但可用，适合低内存情况。
Absolute_Zero_Reasoner-Coder-14b-Q3_K_M.gguf	Q3_K_M	7.34GB	false	低质量。
Absolute_Zero_Reasoner-Coder-14b-IQ3_M.gguf	IQ3_M	6.92GB	false	中低质量，新方法，性能与Q3_K_M相当。
Absolute_Zero_Reasoner-Coder-14b-Q3_K_S.gguf	Q3_K_S	6.66GB	false	低质量，不推荐。
Absolute_Zero_Reasoner-Coder-14b-Q2_K_L.gguf	Q2_K_L	6.53GB	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。
Absolute_Zero_Reasoner-Coder-14b-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。
Absolute_Zero_Reasoner-Coder-14b-IQ3_XXS.gguf	IQ3_XXS	5.95GB	false	质量较低，新方法，性能不错，与Q3量化版本相当。
Absolute_Zero_Reasoner-Coder-14b-Q2_K.gguf	Q2_K	5.77GB	false	质量非常低，但出人意料地可用。
Absolute_Zero_Reasoner-Coder-14b-IQ2_M.gguf	IQ2_M	5.36GB	false	质量相对较低，使用了最先进的技术，出人意料地可用。
Absolute_Zero_Reasoner-Coder-14b-IQ2_S.gguf	IQ2_S	5.00GB	false	低质量，使用了最先进的技术，可用。

📚 详细文档

嵌入/输出权重

部分量化版本（如Q3_K_XL、Q4_K_L等）采用了标准量化方法，将嵌入和输出权重量化为Q8_0，而非默认设置。

ARM/AVX信息

以前，你会下载Q4_0_4_4/4_8/8_8，这些版本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打包中受益，它会自动实时进行重打包。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，感谢此PR，它也会为ARM重打包权重，不过目前仅支持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支持在线重打包的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在提示处理方面有不错的提升，在文本生成方面有小幅提升。

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，可查看 [此处](https://gist.github.com/Artefact2/b5f810600771265fc1e39442288e8ec9)。首先要确定你能运行多大的模型。为此，你需要了解自己有多少内存（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的量化版本。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的量化版本。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量化版本。这些版本的格式为“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](https://github.com/ggerganov/llama.cpp/wiki/Feature-matrix) 但基本上，如果你目标是Q4以下的量化版本，并且你使用的是cuBLAS（Nvidia）或rocBLAS（AMD），你应该考虑I量化版本。这些版本的格式为IQX_X，如IQ3_M。这些是较新的版本，在相同大小下提供更好的性能。这些I量化版本也可以在CPU上使用，但比对应的K量化版本慢，所以你需要在速度和性能之间做出权衡。