Qwen2.5-VL-32B-Instruct开源多模态模型 - 免费实现图像理解与文本生成

首页

Qwen Qwen2.5 VL 32B Instruct GGUF

由 bartowski 开发

Qwen2.5-VL-32B-Instruct是一个32B参数规模的多模态视觉语言模型，支持图像理解和文本生成任务。

文本生成图像英语开源协议:Apache-2.0 #多模态指令微调 #高精度量化 #视觉语言理解

下载量 2,782

发布时间 : 3/27/2025

模型简介

该模型是基于Qwen2.5-VL-32B-Instruct的量化版本，使用llama.cpp工具进行量化处理，提供多种量化类型以适应不同硬件环境。

模型特点

多量化类型支持

提供从bf16到IQ2_XXS等多种量化类型，满足不同硬件和性能需求

在线重打包权重

支持为ARM和AVX机器自动优化性能的在线重打包功能

高质量量化

使用imatrix选项生成量化文件，保证模型质量

多平台兼容

可在LM Studio、llama.cpp及基于llama.cpp的项目中运行

模型能力

图像理解

多模态对话

文本生成

视觉问答

使用案例

多模态交互

图像描述生成

根据输入图像生成详细描述

视觉问答

回答关于图像内容的自然语言问题

内容创作

图文内容生成

基于视觉输入生成相关文本内容

🚀 Qwen2.5-VL-32B-Instruct的Llamacpp imatrix量化版本

本项目是对Qwen2.5-VL-32B-Instruct模型进行的量化处理，使用特定工具和方法生成不同量化类型的文件，方便在不同硬件环境下高效运行该模型。

🚀 快速开始

本项目使用 llama.cpp 发布版本 b5284 进行量化。原始模型地址：https://huggingface.co/Qwen/Qwen2.5-VL-32B-Instruct 所有量化文件均使用imatrix选项，并使用来自此处的数据集生成。

你可以在 LM Studio 中运行这些量化文件，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

多量化类型：提供了多种量化类型的文件，如bf16、Q8_0、Q6_K_L等，以满足不同硬件和性能需求。
在线重打包：部分量化文件支持在线重打包权重，可在ARM和AVX机器上自动优化性能。
下载灵活：支持使用huggingface-cli下载特定文件或整个模型。

📦 安装指南

安装huggingface-cli

首先，确保你已经安装了huggingface-cli：

pip install -U "huggingface_hub[cli]"

下载特定文件

你可以指定要下载的特定文件：

huggingface-cli download bartowski/Qwen_Qwen2.5-VL-32B-Instruct-GGUF --include "Qwen_Qwen2.5-VL-32B-Instruct-Q4_K_M.gguf" --local-dir ./

下载拆分文件

如果模型大小超过50GB，它会被拆分为多个文件。要将它们全部下载到本地文件夹，请运行：

huggingface-cli download bartowski/Qwen_Qwen2.5-VL-32B-Instruct-GGUF --include "Qwen_Qwen2.5-VL-32B-Instruct-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如Qwen_Qwen2.5-VL-32B-Instruct-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

提示格式

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

📚 详细文档

量化文件下载

文件名	量化类型	文件大小	是否拆分	描述
Qwen2.5-VL-32B-Instruct-bf16.gguf	bf16	65.54GB	true	完整的BF16权重。
Qwen2.5-VL-32B-Instruct-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。
Qwen2.5-VL-32B-Instruct-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。
Qwen2.5-VL-32B-Instruct-Q6_K.gguf	Q6_K	26.89GB	false	非常高质量，接近完美，推荐。
Qwen2.5-VL-32B-Instruct-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。
Qwen2.5-VL-32B-Instruct-Q5_K_M.gguf	Q5_K_M	23.26GB	false	高质量，推荐。
Qwen2.5-VL-32B-Instruct-Q5_K_S.gguf	Q5_K_S	22.64GB	false	高质量，推荐。
Qwen2.5-VL-32B-Instruct-Q4_1.gguf	Q4_1	20.64GB	false	旧格式，性能与Q4_K_S相似，但在Apple硅芯片上每个瓦特的令牌处理量有所提高。
Qwen2.5-VL-32B-Instruct-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。
Qwen2.5-VL-32B-Instruct-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。
Qwen2.5-VL-32B-Instruct-Q4_K_S.gguf	Q4_K_S	18.78GB	false	质量稍低，但节省更多空间，推荐。
Qwen2.5-VL-32B-Instruct-Q4_0.gguf	Q4_0	18.71GB	false	旧格式，支持为ARM和AVX CPU推理进行在线重新打包。
Qwen2.5-VL-32B-Instruct-IQ4_NL.gguf	IQ4_NL	18.68GB	false	与IQ4_XS相似，但稍大。支持为ARM CPU推理进行在线重新打包。
Qwen2.5-VL-32B-Instruct-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。
Qwen2.5-VL-32B-Instruct-IQ4_XS.gguf	IQ4_XS	17.69GB	false	质量不错，比Q4_K_S小，性能相似，推荐。
Qwen2.5-VL-32B-Instruct-Q3_K_L.gguf	Q3_K_L	17.25GB	false	质量较低但可用，适合低内存情况。
Qwen2.5-VL-32B-Instruct-Q3_K_M.gguf	Q3_K_M	15.94GB	false	低质量。
Qwen2.5-VL-32B-Instruct-IQ3_M.gguf	IQ3_M	14.81GB	false	中低质量，新方法，性能与Q3_K_M相当。
Qwen2.5-VL-32B-Instruct-Q3_K_S.gguf	Q3_K_S	14.39GB	false	低质量，不推荐。
Qwen2.5-VL-32B-Instruct-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。
Qwen2.5-VL-32B-Instruct-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，但出人意料地可用。
Qwen2.5-VL-32B-Instruct-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。
Qwen2.5-VL-32B-Instruct-Q2_K.gguf	Q2_K	12.31GB	false	质量非常低，但出人意料地可用。
Qwen2.5-VL-32B-Instruct-IQ2_M.gguf	IQ2_M	11.26GB	false	质量相对较低，使用最先进的技术，出人意料地可用。
Qwen2.5-VL-32B-Instruct-IQ2_S.gguf	IQ2_S	10.39GB	false	质量低，使用最先进的技术可用。
Qwen2.5-VL-32B-Instruct-IQ2_XS.gguf	IQ2_XS	9.96GB	false	质量低，使用最先进的技术可用。
Qwen2.5-VL-32B-Instruct-IQ2_XXS.gguf	IQ2_XXS	9.03GB	false	质量非常低，使用最先进的技术可用。

嵌入/输出权重

部分量化文件（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文件，这些文件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“在线重打包”的权重处理方法。详情见此PR。如果你使用Q4_0，并且你的硬件可以从权重重打包中受益，它将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，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。

如何选择文件

点击查看详情

Artefact2 提供了一篇很棒的文章，带有显示各种性能的图表，可参考此处。

首先，你需要确定可以运行多大的模型。为此，你需要了解自己拥有多少系统内存（RAM）和/或显卡显存（VRAM）。

如果你希望模型尽可能快地运行，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的量化文件。

如果你追求绝对最高质量，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的量化文件。

接下来，你需要决定是使用“I量化”还是“K量化”。

如果你不想过多思考，选择K量化文件。这些文件的格式为“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：llama.cpp 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量化文件。这些文件的格式为IQX_X，如IQ3_M。这些是较新的量化方法，在相同大小下提供更好的性能。

这些I量化文件也可以在CPU上使用，但比等效的K量化文件慢，因此你需要在速度和性能之间做出权衡。

🔧 技术细节

在线重打包

以前，为了提高ARM和AVX机器的性能，会下载Q4_0_4_4/4_8/8_8文件，其权重在内存中交错排列，以一次加载更多数据。现在有了“在线重打包”功能，详情见此PR。使用Q4_0时，若硬件适合重打包权重，会自动实时进行。从llama.cpp构建版本 b4282 起，不能运行Q4_0_X_X文件，需使用Q4_0。此外，根据此PR，使用IQ4_NL可在ARM上重打包权重（目前仅4_4），加载时间可能长，但总体速度提高。

性能测试

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%