模型简介
模型特点
模型能力
使用案例
🚀 ArliAI的QwQ-32B-ArliAI-RpR-v4的Llamacpp imatrix量化模型
本项目是对ArliAI的QwQ-32B-ArliAI-RpR-v4模型进行的量化处理,使用特定工具和方法生成了多种量化版本,方便不同硬件条件和需求的用户使用。
模型信息
属性 | 详情 |
---|---|
量化者 | bartowski |
任务类型 | 文本生成 |
基础模型 | ArliAI/QwQ-32B-ArliAI-RpR-v4 |
语言 | 英文 |
缩略图 | 点击查看 |
许可证 | apache-2.0 |
基础模型关系 | 量化版本 |
🚀 快速开始
量化方法
使用 llama.cpp 的 b5432 版本进行量化。 原始模型地址:ArliAI/QwQ-32B-ArliAI-RpR-v4 所有量化模型均使用 imatrix 选项,并采用 此处 的数据集。
运行方式
提示格式
<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
<think>
📦 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 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/ArliAI_QwQ-32B-ArliAI-RpR-v4-GGUF --include "ArliAI_QwQ-32B-ArliAI-RpR-v4-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。若要将它们全部下载到本地文件夹,请运行:
huggingface-cli download bartowski/ArliAI_QwQ-32B-ArliAI-RpR-v4-GGUF --include "ArliAI_QwQ-32B-ArliAI-RpR-v4-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(如 ArliAI_QwQ-32B-ArliAI-RpR-v4-Q8_0),也可以将它们全部下载到当前目录(./)。
📚 详细文档
下载文件选择
文件名 | 量化类型 | 文件大小 | 是否分割 | 描述 |
---|---|---|---|---|
QwQ-32B-ArliAI-RpR-v4-bf16.gguf | bf16 | 65.54GB | true | 完整的 BF16 权重。 |
QwQ-32B-ArliAI-RpR-v4-Q8_0.gguf | Q8_0 | 34.82GB | false | 极高质量,通常不需要,但为最大可用量化。 |
QwQ-32B-ArliAI-RpR-v4-Q6_K_L.gguf | Q6_K_L | 27.26GB | false | 嵌入和输出权重使用 Q8_0。非常高质量,接近完美,推荐。 |
QwQ-32B-ArliAI-RpR-v4-Q6_K.gguf | Q6_K | 26.89GB | false | 非常高质量,接近完美,推荐。 |
QwQ-32B-ArliAI-RpR-v4-Q5_K_L.gguf | Q5_K_L | 23.74GB | false | 嵌入和输出权重使用 Q8_0。高质量,推荐。 |
QwQ-32B-ArliAI-RpR-v4-Q5_K_M.gguf | Q5_K_M | 23.26GB | false | 高质量,推荐。 |
QwQ-32B-ArliAI-RpR-v4-Q5_K_S.gguf | Q5_K_S | 22.64GB | false | 高质量,推荐。 |
QwQ-32B-ArliAI-RpR-v4-Q4_1.gguf | Q4_1 | 20.64GB | false | 旧格式,性能与 Q4_K_S 相似,但在 Apple 硅芯片上每瓦令牌数有所提高。 |
QwQ-32B-ArliAI-RpR-v4-Q4_K_L.gguf | Q4_K_L | 20.43GB | false | 嵌入和输出权重使用 Q8_0。质量良好,推荐。 |
QwQ-32B-ArliAI-RpR-v4-Q4_K_M.gguf | Q4_K_M | 19.85GB | false | 质量良好,是大多数用例的默认大小,推荐。 |
QwQ-32B-ArliAI-RpR-v4-Q4_K_S.gguf | Q4_K_S | 18.78GB | false | 质量略低,但节省更多空间,推荐。 |
QwQ-32B-ArliAI-RpR-v4-Q4_0.gguf | Q4_0 | 18.71GB | false | 旧格式,可为 ARM 和 AVX CPU 推理提供在线重新打包。 |
QwQ-32B-ArliAI-RpR-v4-IQ4_NL.gguf | IQ4_NL | 18.68GB | false | 与 IQ4_XS 相似,但略大。可为 ARM CPU 推理提供在线重新打包。 |
QwQ-32B-ArliAI-RpR-v4-Q3_K_XL.gguf | Q3_K_XL | 17.93GB | 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。 |
QwQ-32B-ArliAI-RpR-v4-IQ4_XS.gguf | IQ4_XS | 17.69GB | false | 质量不错,比 Q4_K_S 小且性能相似,推荐。 |
QwQ-32B-ArliAI-RpR-v4-Q3_K_L.gguf | Q3_K_L | 17.25GB | false | 质量较低但可用,适合低内存情况。 |
QwQ-32B-ArliAI-RpR-v4-Q3_K_M.gguf | Q3_K_M | 15.94GB | false | 质量低。 |
QwQ-32B-ArliAI-RpR-v4-IQ3_M.gguf | IQ3_M | 14.81GB | false | 中低质量,新方法,性能与 Q3_K_M 相当。 |
QwQ-32B-ArliAI-RpR-v4-Q3_K_S.gguf | Q3_K_S | 14.39GB | false | 质量低,不推荐。 |
QwQ-32B-ArliAI-RpR-v4-IQ3_XS.gguf | IQ3_XS | 13.71GB | false | 质量较低,新方法,性能不错,略优于 Q3_K_S。 |
QwQ-32B-ArliAI-RpR-v4-Q2_K_L.gguf | Q2_K_L | 13.07GB | false | 嵌入和输出权重使用 Q8_0。质量非常低但意外可用。 |
QwQ-32B-ArliAI-RpR-v4-IQ3_XXS.gguf | IQ3_XXS | 12.84GB | false | 质量较低,新方法,性能不错,与 Q3 量化相当。 |
QwQ-32B-ArliAI-RpR-v4-Q2_K.gguf | Q2_K | 12.31GB | false | 质量非常低但意外可用。 |
QwQ-32B-ArliAI-RpR-v4-IQ2_M.gguf | IQ2_M | 11.26GB | false | 质量相对较低,使用最新技术意外可用。 |
QwQ-32B-ArliAI-RpR-v4-IQ2_S.gguf | IQ2_S | 10.39GB | false | 质量低,使用最新技术可用。 |
QwQ-32B-ArliAI-RpR-v4-IQ2_XS.gguf | IQ2_XS | 9.96GB | false | 质量低,使用最新技术可用。 |
QwQ-32B-ArliAI-RpR-v4-IQ2_XXS.gguf | IQ2_XXS | 9.03GB | false | 质量非常低,使用最新技术可用。 |
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 模型,这些模型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,现在有了所谓的“在线重新打包”权重技术,详情见 此 PR。如果你使用 Q4_0 模型,且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,这得益于 此 PR,它也会为 ARM 重新打包权重,不过目前仅支持 4_4 版本。加载时间可能会变慢,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新打包的 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 | 令牌/秒 | 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,点击查看
首先,你需要确定能运行多大的模型。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功能图表:
但基本上,如果你目标是低于 Q4 的量化,并且使用 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。它们是较新的模型,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,但比对应的 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
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 模型,这些模型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,现在有了所谓的“在线重新打包”权重技术,详情见 此 PR。如果你使用 Q4_0 模型,且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,这得益于 此 PR,它也会为 ARM 重新打包权重,不过目前仅支持 4_4 版本。加载时间可能会变慢,但总体速度会提高。
📄 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 对我工作的赞助。
如果你想支持我的工作,请访问我的 ko - fi 页面:点击访问



