TheDrummer_Snowpiercer-15B-v1-GGUF开源模型 - 免费部署助力文本生成任务

首页

Thedrummer Snowpiercer 15B V1 GGUF

由 bartowski 开发

基于TheDrummer/Snowpiercer-15B-v1模型的量化版本，使用llama.cpp进行量化，适用于文本生成任务。

大型语言模型开源协议:MIT #多量化版本 #低资源优化 #文本生成

下载量 4,783

发布时间 : 5/14/2025

模型简介

这是一个15B参数的大语言模型，经过多种量化处理，适用于不同硬件环境，支持高效的文本生成。

模型特点

多种量化选项

提供从BF16到Q2_K的多种量化版本，适应不同硬件和性能需求。

高性能推理

使用imatrix选项进行量化，优化推理性能，适合在LM Studio或llama.cpp中运行。

ARM/AVX优化

支持在线重打包功能，优化在ARM和AVX硬件上的性能。

模型能力

文本生成

高效推理

多硬件支持

使用案例

文本生成

对话系统

用于构建智能对话助手，支持多轮对话。

生成流畅、连贯的对话回复。

内容创作

用于生成文章、故事等创意内容。

生成高质量、多样化的文本内容。

🚀 TheDrummer的Snowpiercer-15B-v1量化模型

本项目是TheDrummer的Snowpiercer-15B-v1模型的量化版本，使用量化技术对模型进行处理，以在不同硬件条件下实现更高效的推理。通过量化，模型可以在资源受限的设备上运行，同时保持较高的性能和质量。

🚀 快速开始

本项目使用 llama.cpp 发布版本 b5338 进行量化。

原始模型：TheDrummer/Snowpiercer-15B-v1
所有量化模型均使用 imatrix 选项和来自此处的数据集生成。
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

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

量化模型文件

文件名	量化类型	文件大小	拆分情况	描述
Snowpiercer-15B-v1-bf16.gguf	bf16	29.96GB	false	完整的BF16权重。
Snowpiercer-15B-v1-Q8_0.gguf	Q8_0	15.92GB	false	极高质量，通常不需要，但为最大可用量化。
Snowpiercer-15B-v1-Q6_K_L.gguf	Q6_K_L	12.62GB	false	嵌入和输出权重使用Q8_0。非常高质量，接近完美，推荐。
Snowpiercer-15B-v1-Q6_K.gguf	Q6_K	12.29GB	false	非常高质量，接近完美，推荐。
Snowpiercer-15B-v1-Q5_K_L.gguf	Q5_K_L	11.07GB	false	嵌入和输出权重使用Q8_0。高质量，推荐。
Snowpiercer-15B-v1-Q5_K_M.gguf	Q5_K_M	10.65GB	false	高质量，推荐。
Snowpiercer-15B-v1-Q5_K_S.gguf	Q5_K_S	10.39GB	false	高质量，推荐。
Snowpiercer-15B-v1-Q4_K_L.gguf	Q4_K_L	9.61GB	false	嵌入和输出权重使用Q8_0。质量良好，推荐。
Snowpiercer-15B-v1-Q4_1.gguf	Q4_1	9.50GB	false	旧格式，性能与Q4_K_S相似，但在苹果硅芯片上每瓦处理的令牌数有所提高。
Snowpiercer-15B-v1-Q4_K_M.gguf	Q4_K_M	9.11GB	false	质量良好，是大多数用例的默认大小，推荐。
Snowpiercer-15B-v1-Q4_K_S.gguf	Q4_K_S	8.66GB	false	质量略低，但节省更多空间，推荐。
Snowpiercer-15B-v1-IQ4_NL.gguf	IQ4_NL	8.64GB	false	与IQ4_XS相似，但略大。支持ARM CPU推理的在线重新打包。
Snowpiercer-15B-v1-Q4_0.gguf	Q4_0	8.63GB	false	旧格式，支持ARM和AVX CPU推理的在线重新打包。
Snowpiercer-15B-v1-Q3_K_XL.gguf	Q3_K_XL	8.58GB	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。
Snowpiercer-15B-v1-IQ4_XS.gguf	IQ4_XS	8.20GB	false	质量不错，比Q4_K_S小且性能相似，推荐。
Snowpiercer-15B-v1-Q3_K_L.gguf	Q3_K_L	7.99GB	false	质量较低但可用，适合低内存情况。
Snowpiercer-15B-v1-Q3_K_M.gguf	Q3_K_M	7.40GB	false	低质量。
Snowpiercer-15B-v1-IQ3_M.gguf	IQ3_M	6.94GB	false	中低质量，新方法，性能与Q3_K_M相当。
Snowpiercer-15B-v1-Q3_K_S.gguf	Q3_K_S	6.71GB	false	低质量，不推荐。
Snowpiercer-15B-v1-Q2_K_L.gguf	Q2_K_L	6.45GB	false	嵌入和输出权重使用Q8_0。质量非常低但意外可用。
Snowpiercer-15B-v1-IQ3_XS.gguf	IQ3_XS	6.42GB	false	质量较低，新方法，性能不错，略优于Q3_K_S。
Snowpiercer-15B-v1-IQ3_XXS.gguf	IQ3_XXS	5.99GB	false	质量较低，新方法，性能不错，与Q3量化相当。
Snowpiercer-15B-v1-Q2_K.gguf	Q2_K	5.79GB	false	质量非常低但意外可用。
Snowpiercer-15B-v1-IQ2_M.gguf	IQ2_M	5.35GB	false	质量相对较低，使用最先进技术，意外可用。
Snowpiercer-15B-v1-IQ2_S.gguf	IQ2_S	4.98GB	false	低质量，使用最先进技术，可用。

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。

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，如果你想获得略高的质量，可以使用IQ4_NL，感谢此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。

选择合适的文件

点击查看详情

Artefact2在此处提供了一篇很棒的文章，配有图表展示各种性能。

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（英伟达）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。它们是较新的模型，在相同大小下性能更好。

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，所以你需要在速度和性能之间做出权衡。

📦 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/TheDrummer_Snowpiercer-15B-v1-GGUF --include "TheDrummer_Snowpiercer-15B-v1-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/TheDrummer_Snowpiercer-15B-v1-GGUF --include "TheDrummer_Snowpiercer-15B-v1-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如TheDrummer_Snowpiercer-15B-v1-Q8_0），也可以将它们全部下载到当前目录（./）。

📚 详细文档

选择合适的文件

点击查看详情

Artefact2在此处提供了一篇很棒的文章，配有图表展示各种性能。

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

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，所以你需要在速度和性能之间做出权衡。

🔧 技术细节

量化方法

使用 llama.cpp 发布版本 b5338 进行量化。所有量化模型均使用 imatrix 选项和来自此处的数据集生成。

ARM/AVX优化

以前，模型的权重会在内存中交错排列，以提高ARM和AVX机器的性能。现在，有了“在线重新打包”的权重处理方式，如果你使用Q4_0，并且硬件能从重新打包权重中受益，它将自动实时进行处理。

📄 许可证

本项目采用MIT许可证。

致谢

感谢kalomaze和Dampf协助创建imatrix校准数据集。

感谢ZeroWw启发了对嵌入/输出的实验。

感谢LM Studio赞助我的工作。

如果你想支持我的工作，请访问我的ko-fi页面：https://ko-fi.com/bartowski

精选推荐AI模型

Llama 3 Typhoon V1.5x 8b Instruct

专为泰语设计的80亿参数指令模型，性能媲美GPT-3.5-turbo，优化了应用场景、检索增强生成、受限生成和推理任务

Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型，专为边缘设备推理设计，体积仅为Cosmo-3B模型的2%左右。

Roberta Base Chinese Extractive Qa

基于RoBERTa架构的中文抽取式问答模型，适用于从给定文本中提取答案的任务。

智启未来，您的人工智能解决方案智库