Cognitivecomputations Dolphin Mistral 24B Venice Edition GGUF

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/cognitivecomputations_Dolphin-Mistral-24B-Venice-Edition-GGUF --include "cognitivecomputations_Dolphin-Mistral-24B-Venice-Edition-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，可运行：

huggingface-cli download bartowski/cognitivecomputations_Dolphin-Mistral-24B-Venice-Edition-GGUF --include "cognitivecomputations_Dolphin-Mistral-24B-Venice-Edition-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如cognitivecomputations_Dolphin-Mistral-24B-Venice-Edition-Q8_0），也可以将它们全部下载到当前目录（./）。

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。

Artefact2 提供了一篇很棒的文章，带有展示各种性能的图表，链接为 此处

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RAM和/或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VRAM中。选择文件大小比GPU总VRAM小1 - 2GB的量化文件。

如果你追求绝对最高质量，将系统RAM和GPU的VRAM相加，然后选择文件大小比该总和小1 - 2GB的量化文件。

接下来，你需要决定是使用“I-quant”还是“K-quant”。

如果你不想考虑太多，选择K-quant之一。它们的格式为“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，并且你使用的是cuBLAS（Nvidia）或rocBLAS（AMD），你应该考虑I-quant。它们的格式为IQX_X，如IQ3_M。这些是较新的量化方式，在相同大小下提供更好的性能。

这些I-quant也可以在CPU上使用，但比对应的K-quant慢，所以你需要在速度和性能之间做出权衡。