Open R1 OlympicCoder 32B GGUF

由 bartowski 开发

OlympicCoder-32B的量化版本，基于llama.cpp的imatrix量化方法，适用于代码生成任务。

大型语言模型

英语

开源协议:Apache-2.0 #代码生成 #高精度量化 #竞赛编程

下载量 12.60k

发布时间 : 3/11/2025

模型介绍

内容详情

替代品

模型简介

这是一个32B参数的大语言模型，专门针对代码生成任务进行了优化，支持多种量化版本以适应不同硬件需求。

模型特点

多种量化选项

提供从Q2到Q8的多种量化版本，适应不同硬件环境和性能需求

代码生成优化

专门针对代码生成任务进行了训练和优化

imatrix量化

使用llama.cpp的imatrix量化方法，保持模型性能的同时减小体积

模型能力

代码生成

文本补全

编程问题解答

使用案例

软件开发

代码自动补全

在IDE中提供代码补全建议

提高开发效率

编程问题解答

解答编程相关的技术问题

帮助开发者快速解决问题

量化者：bartowski
流水线标签：文本生成
语言：

英语
许可证：apache-2.0
基础模型：open-r1/OlympicCoder-32B
数据集：
open-r1/codeforces-cots

open-r1的OlympicCoder-32B的Llamacpp imatrix量化版本

使用llama.cpp发布的b4867版本进行量化。

原始模型：https://huggingface.co/open-r1/OlympicCoder-32B

所有量化均使用imatrix选项，数据集来自此处

可在LM Studio中运行

也可直接使用llama.cpp或任何基于llama.cpp的项目运行

提示格式

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

从下方下载单个文件（非整个分支）：

文件名	量化类型	文件大小	是否分割	描述
OlympicCoder-32B-Q8_0.gguf	Q8_0	34.82GB	false	极高品质，通常无需但为最大可用量化。
OlympicCoder-32B-Q6_K_L.gguf	Q6_K_L	27.26GB	false	嵌入和输出权重使用Q8_0。极高质量，接近完美，推荐。
OlympicCoder-32B-Q6_K.gguf	Q6_K	26.89GB	false	极高质量，接近完美，推荐。
OlympicCoder-32B-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。
OlympicCoder-32B-Q5_K_M.gguf	Q5_K_M	23.26GB	false	高质量，推荐。
OlympicCoder-32B-Q5_K_S.gguf	Q5_K_S	22.64GB	false	高质量，推荐。
OlympicCoder-32B-Q4_1.gguf	Q4_1	20.64GB	false	传统格式，性能类似Q4_K_S，但在Apple芯片上每瓦特生成的令牌数更优。
OlympicCoder-32B-Q4_K_L.gguf	Q4_K_L	20.43GB	false	嵌入和输出权重使用Q8_0。良好质量，推荐。
OlympicCoder-32B-Q4_K_M.gguf	Q4_K_M	19.85GB	false	良好质量，大多数用例的默认大小，推荐。
OlympicCoder-32B-Q4_K_S.gguf	Q4_K_S	18.78GB	false	质量稍低但节省更多空间，推荐。
OlympicCoder-32B-Q4_0.gguf	Q4_0	18.71GB	false	传统格式，支持ARM和AVX CPU推理的在线重打包。
OlympicCoder-32B-IQ4_NL.gguf	IQ4_NL	18.68GB	false	类似IQ4_XS，但稍大。支持ARM CPU推理的在线重打包。
OlympicCoder-32B-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，适合内存有限的场景。
OlympicCoder-32B-IQ4_XS.gguf	IQ4_XS	17.69GB	false	质量尚可，比Q4_K_S更小但性能相近，推荐。
OlympicCoder-32B-Q3_K_L.gguf	Q3_K_L	17.25GB	false	质量较低但可用，适合内存有限的场景。
OlympicCoder-32B-Q3_K_M.gguf	Q3_K_M	15.94GB	false	质量较低。
OlympicCoder-32B-IQ3_M.gguf	IQ3_M	14.81GB	false	中低质量，新方法，性能与Q3_K_M相当。
OlympicCoder-32B-Q3_K_S.gguf	Q3_K_S	14.39GB	false	质量较低，不推荐。
OlympicCoder-32B-IQ3_XS.gguf	IQ3_XS	13.71GB	false	质量较低，新方法，性能略优于Q3_K_S。
OlympicCoder-32B-Q2_K_L.gguf	Q2_K_L	13.07GB	false	嵌入和输出权重使用Q8_0。质量极低但意外可用。
OlympicCoder-32B-IQ3_XXS.gguf	IQ3_XXS	12.84GB	false	质量较低，新方法，性能与Q3量化相当。
OlympicCoder-32B-Q2_K.gguf	Q2_K	12.31GB	false	质量极低但意外可用。
OlympicCoder-32B-IQ2_M.gguf	IQ2_M	11.26GB	false	质量相对较低，使用SOTA技术使其意外可用。
OlympicCoder-32B-IQ2_S.gguf	IQ2_S	10.39GB	false	质量较低，使用SOTA技术使其可用。
OlympicCoder-32B-IQ2_XS.gguf	IQ2_XS	9.96GB	false	质量较低，使用SOTA技术使其可用。
OlympicCoder-32B-IQ2_XXS.gguf	IQ2_XXS	9.03GB	false	质量极低，使用SOTA技术使其可用。

嵌入/输出权重

部分量化（如Q3_K_XL、Q4_K_L等）为标准量化方法，但嵌入和输出权重被量化为Q8_0而非默认值。

使用huggingface-cli下载

点击查看下载说明

首先，确保已安装huggingface-cli：

pip install -U "huggingface_hub[cli]"

然后，可以指定目标文件：

huggingface-cli download bartowski/open-r1_OlympicCoder-32B-GGUF --include "open-r1_OlympicCoder-32B-Q4_K_M.gguf" --local-dir ./

如果模型超过50GB，会分割为多个文件。要下载全部文件到本地文件夹，运行：

huggingface-cli download bartowski/open-r1_OlympicCoder-32B-GGUF --include "open-r1_OlympicCoder-32B-Q8_0/*" --local-dir ./

可以指定新的本地目录（如open-r1_OlympicCoder-32B-Q8_0）或直接下载到当前目录（./）

ARM/AVX信息

过去，用户会下载Q4_0_4_4/4_8/8_8，这些文件会在内存中交错权重，以提升ARM和AVX机器的性能，通过单次加载更多数据实现。

但现在，权重支持“在线重打包”，详情见此PR。如果使用Q4_0且硬件支持重打包，系统会自动完成。

从llama.cpp构建版本b4282开始，无法运行Q4_0_X_X文件，需改用Q4_0。

此外，若追求略高质量，可使用IQ4_NL（基于此PR），该量化也支持ARM权重重打包（目前仅4_4）。加载时间可能更长，但整体速度会提升。

点击查看Q4_0_X_X信息（已弃用）

保留此部分以展示Q4_0在线重打包的潜在理论性能提升。

点击查看AVX2系统（EPYC7702）基准测试

模型	大小	参数	后端	线程数	测试	令牌/秒	百分比（对比Q4_0）
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	pp512	204.03 ± 1.03	100%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	pp512	271.71 ± 3.53	133%

Q4_0_8_8显著提升提示处理速度，文本生成略有提升。

如何选择文件？

点击查看详情

Artefact2提供了详细的性能图表，见此处

首先确定可运行的模型大小。需计算可用RAM和/或VRAM。

若追求最快速度，需将整个模型放入GPU的VRAM。选择比GPU总VRAM小1-2GB的量化文件。

若追求最高质量，将系统RAM和GPU VRAM相加，选择比总和小1-2GB的量化文件。

其次，选择“I-quant”或“K-quant”。

若不想深入思考，选择K-quant（格式如QX_K_X，例如Q5_K_M）。

更深入的选择可参考llama.cpp特性矩阵。

若目标低于Q4且使用cuBLAS（Nvidia）或rocBLAS（AMD），建议选择I-quant（格式如IQX_X，例如IQ3_M）。这些是新方法，在相同体积下性能更优。

I-quant也可用于CPU，但速度慢于K-quant，需权衡速度与性能。

I-quant不兼容Vulkan（AMD）。若使用AMD显卡，请确认是否为rocBLAS构建。当前LM Studio提供ROCm支持预览版，其他推理引擎也有专门构建。

致谢

感谢kalomaze和Dampf协助创建imatrix校准数据集。

感谢ZeroWw启发嵌入/输出权重的实验。

感谢LM Studio赞助我的工作。

支持我的工作？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。

AIbase是一个专注于MCP服务的平台，为AI开发者提供高质量的模型上下文协议服务，助力AI应用开发。

简体中文

热门模型

Llama 3 Typhoon V1.5x 8b Instruct

Cadet Tiny

Roberta Base Chinese Extractive Qa

热门模型分类

热门标签