模型简介
模型特点
模型能力
使用案例
🚀 Goekdeniz - Guelmez的Josiefied - Qwen3 - 8B - abliterated - v1的Llamacpp imatrix量化版本
本项目是对Goekdeniz - Guelmez的Josiefied - Qwen3 - 8B - abliterated - v1模型进行量化处理。使用量化后的模型可以在资源有限的设备上更高效地运行,同时在一定程度上保持模型的性能。
🚀 快速开始
运行方式
提示词格式
<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
✨ 主要特性
- 量化工具:使用 llama.cpp 发布版本 b5270 进行量化。
- 原始模型:[原始模型链接](https://huggingface.co/Goekdeniz - Guelmez/Josiefied - Qwen3 - 8B - abliterated - v1)
- 量化选项:所有量化均使用 imatrix 选项,并使用来自 此处 的数据集。
📦 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/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF --include "Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - 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/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF --include "Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q8_0/*" --local - dir ./
你可以指定一个新的本地目录(如 Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q8_0),也可以将它们全部下载到当前目录(./)。
💻 使用示例
基础用法
你可以按照上述提示词格式,在相应的运行环境(如 LM Studio 或 llama.cpp)中输入提示词,以获取模型的输出。
📚 详细文档
下载文件信息
文件名 | 量化类型 | 文件大小 | 分割情况 | 描述 |
---|---|---|---|---|
[Josiefied - Qwen3 - 8B - abliterated - v1 - bf16.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - bf16.gguf) | bf16 | 16.39GB | false | 完整的 BF16 权重。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q8_0.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q8_0.gguf) | Q8_0 | 8.71GB | false | 极高质量,通常不需要,但为最大可用量化。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q6_K_L.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q6_K_L.gguf) | Q6_K_L | 7.03GB | false | 嵌入和输出权重使用 Q8_0。非常高质量,接近完美,推荐。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q6_K.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q6_K.gguf) | Q6_K | 6.73GB | false | 非常高质量,接近完美,推荐。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q5_K_L.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q5_K_L.gguf) | Q5_K_L | 6.24GB | false | 嵌入和输出权重使用 Q8_0。高质量,推荐。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q5_K_M.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q5_K_M.gguf) | Q5_K_M | 5.85GB | false | 高质量,推荐。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q5_K_S.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q5_K_S.gguf) | Q5_K_S | 5.72GB | false | 高质量,推荐。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q4_K_L.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q4_K_L.gguf) | Q4_K_L | 5.49GB | false | 嵌入和输出权重使用 Q8_0。质量良好,推荐。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q4_1.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q4_1.gguf) | Q4_1 | 5.25GB | false | 旧格式,性能与 Q4_K_S 相似,但在苹果硅芯片上的每瓦令牌数有所提高。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q4_K_M.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q4_K_M.gguf) | Q4_K_M | 5.03GB | false | 质量良好,大多数用例的默认大小,推荐。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q3_K_XL.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q3_K_XL.gguf) | Q3_K_XL | 4.98GB | 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。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q4_K_S.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q4_K_S.gguf) | Q4_K_S | 4.80GB | false | 质量略低,但节省更多空间,推荐。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q4_0.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q4_0.gguf) | Q4_0 | 4.79GB | false | 旧格式,提供用于 ARM 和 AVX CPU 推理的在线重新打包功能。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - IQ4_NL.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - IQ4_NL.gguf) | IQ4_NL | 4.79GB | false | 与 IQ4_XS 相似,但略大。提供用于 ARM CPU 推理的在线重新打包功能。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - IQ4_XS.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - IQ4_XS.gguf) | IQ4_XS | 4.56GB | false | 质量不错,比 Q4_K_S 小,性能相似,推荐。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q3_K_L.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q3_K_L.gguf) | Q3_K_L | 4.43GB | false | 质量较低但可用,适合低内存情况。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q3_K_M.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q3_K_M.gguf) | Q3_K_M | 4.12GB | false | 质量低。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - IQ3_M.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - IQ3_M.gguf) | IQ3_M | 3.90GB | false | 中低质量,新方法,性能与 Q3_K_M 相当。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q2_K_L.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q2_K_L.gguf) | Q2_K_L | 3.89GB | 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。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q3_K_S.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q3_K_S.gguf) | Q3_K_S | 3.77GB | false | 质量低,不推荐。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - IQ3_XS.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - IQ3_XS.gguf) | IQ3_XS | 3.63GB | false | 质量较低,新方法,性能不错,略优于 Q3_K_S。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - IQ3_XXS.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - IQ3_XXS.gguf) | IQ3_XXS | 3.37GB | false | 质量较低,新方法,性能不错,与 Q3 量化相当。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - Q2_K.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - Q2_K.gguf) | Q2_K | 3.28GB | false | 质量非常低,但出人意料地可用。 |
[Josiefied - Qwen3 - 8B - abliterated - v1 - IQ2_M.gguf](https://huggingface.co/bartowski/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - GGUF/blob/main/Goekdeniz - Guelmez_Josiefied - Qwen3 - 8B - abliterated - v1 - IQ2_M.gguf) | IQ2_M | 3.05GB | false | 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 模型,并且你的硬件可以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功能的 Q4_0 模型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 | 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度提升。
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,点击此处查看
首先,你需要确定你可以运行多大的模型。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。选择文件大小比你的 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](https://github.com/ggerganov/llama.cpp/wiki/Feature - matrix)
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进行权衡。
🔧 技术细节
本项目使用 llama.cpp 的特定版本(b5270)进行量化,利用 imatrix 选项和特定的数据集进行校准。部分量化模型对嵌入和输出权重采用特殊的量化方式(Q8_0),以提高性能。同时,引入了“在线重新打包”的权重处理方式,以适应不同硬件的需求。
📄 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 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](https://ko - fi.com/bartowski)



