Llama Mesh GGUF

由 bartowski 开发

LLaMA-Mesh是一个基于LLaMA架构的文本转3D模型，专注于网格生成任务。该版本是使用llama.cpp进行量化的版本，提供了多种量化选项以适应不同硬件需求。

文本生成图像 #文本转3D #高精度网格生成 #多量化版本

下载量 1,911

发布时间 : 11/20/2024

模型介绍

内容详情

替代品

模型简介

LLaMA-Mesh是一个将文本描述转换为3D网格的模型，适用于3D建模和设计领域。该量化版本通过不同精度的量化选项，使模型能够在各种硬件配置上高效运行。

模型特点

多种量化选项

提供从f16到Q2_K的多种量化版本，满足不同硬件和性能需求。

高质量量化

使用imatrix选项进行量化，确保模型在压缩后仍保持高质量输出。

硬件优化

部分量化版本针对ARM和AVX推理进行了特别优化，提升运行效率。

模型能力

文本到3D网格生成

支持多种量化精度

硬件加速推理

使用案例

3D建模

快速原型设计

通过文本描述快速生成3D网格，加速产品原型设计流程。

生成可用于3D打印或进一步编辑的网格模型

游戏开发

游戏资产生成

根据文本描述自动生成游戏中的3D物体和场景元素。

减少美术资源制作时间和成本

量化者：bartowski
流水线标签：文本转3D
标签：

网格生成
许可证：llama3.1
基础模型：Zhengyi/LLaMA-Mesh

LLaMA-Mesh的Llamacpp imatrix量化版本

使用llama.cpp发布的b4132版本进行量化。

原始模型：https://huggingface.co/Zhengyi/LLaMA-Mesh

所有量化均使用imatrix选项，数据集来自此处

在LM Studio中运行这些量化模型

提示格式

<|begin_of_text|><|start_header_id|>system<|end_header_id|>  

{系统提示}<|eot_id|><|start_header_id|>user<|end_header_id|>  

{用户输入}<|eot_id|><|start_header_id|>assistant<|end_header_id|>

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	是否分片	描述
LLaMA-Mesh-f16.gguf	f16	16.07GB	否	完整的F16权重。
LLaMA-Mesh-Q8_0.gguf	Q8_0	8.54GB	否	极高品质，通常不需要但为最大可用量化。
LLaMA-Mesh-Q6_K_L.gguf	Q6_K_L	6.85GB	否	嵌入和输出权重使用Q8_0。极高质量，近乎完美，推荐。
LLaMA-Mesh-Q6_K.gguf	Q6_K	6.60GB	否	极高质量，近乎完美，推荐。
LLaMA-Mesh-Q5_K_L.gguf	Q5_K_L	6.06GB	否	嵌入和输出权重使用Q8_0。高质量，推荐。
LLaMA-Mesh-Q5_K_M.gguf	Q5_K_M	5.73GB	否	高质量，推荐。
LLaMA-Mesh-Q5_K_S.gguf	Q5_K_S	5.60GB	否	高质量，推荐。
LLaMA-Mesh-Q4_K_L.gguf	Q4_K_L	5.31GB	否	嵌入和输出权重使用Q8_0。良好质量，推荐。
LLaMA-Mesh-Q4_K_M.gguf	Q4_K_M	4.92GB	否	良好质量，大多数用例的默认大小，推荐。
LLaMA-Mesh-Q3_K_XL.gguf	Q3_K_XL	4.78GB	否	嵌入和输出权重使用Q8_0。质量较低但可用，适合内存有限的情况。
LLaMA-Mesh-Q4_K_S.gguf	Q4_K_S	4.69GB	否	质量稍低但节省更多空间，推荐。
LLaMA-Mesh-Q4_0.gguf	Q4_0	4.68GB	否	传统格式，通常不值得使用类似大小的格式
LLaMA-Mesh-Q4_0_8_8.gguf	Q4_0_8_8	4.66GB	否	针对ARM和AVX推理优化。ARM需要'sve'支持（见下文详情）。不要在Mac上使用。
LLaMA-Mesh-Q4_0_4_8.gguf	Q4_0_4_8	4.66GB	否	针对ARM推理优化。需要'i8mm'支持（见下文详情）。不要在Mac上使用。
LLaMA-Mesh-Q4_0_4_4.gguf	Q4_0_4_4	4.66GB	否	针对ARM推理优化。适用于所有ARM芯片，不适用于GPU。不要在Mac上使用。
LLaMA-Mesh-IQ4_XS.gguf	IQ4_XS	4.45GB	否	质量尚可，比Q4_K_S更小且性能相似，推荐。
LLaMA-Mesh-Q3_K_L.gguf	Q3_K_L	4.32GB	否	质量较低但可用，适合内存有限的情况。
LLaMA-Mesh-Q3_K_M.gguf	Q3_K_M	4.02GB	否	低质量。
LLaMA-Mesh-IQ3_M.gguf	IQ3_M	3.78GB	否	中低质量，新方法，性能与Q3_K_M相当。
LLaMA-Mesh-Q2_K_L.gguf	Q2_K_L	3.69GB	否	嵌入和输出权重使用Q8_0。质量非常低但出奇地可用。
LLaMA-Mesh-Q3_K_S.gguf	Q3_K_S	3.66GB	否	低质量，不推荐。
LLaMA-Mesh-IQ3_XS.gguf	IQ3_XS	3.52GB	否	较低质量，新方法，性能略优于Q3_K_S。
LLaMA-Mesh-Q2_K.gguf	Q2_K	3.18GB	否	质量非常低但出奇地可用。
LLaMA-Mesh-IQ2_M.gguf	IQ2_M	2.95GB	否	质量相对较低，使用SOTA技术使其出奇地可用。

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，可以指定要下载的文件：

huggingface-cli download bartowski/LLaMA-Mesh-GGUF --include "LLaMA-Mesh-Q4_K_M.gguf" --local-dir ./

如果模型大于50GB，它将被分割为多个文件。要下载所有文件到本地文件夹，运行：

huggingface-cli download bartowski/LLaMA-Mesh-GGUF --include "LLaMA-Mesh-Q8_0/*" --local-dir ./

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

Q4_0_X_X相关信息

这些量化不适用于Metal（苹果）或GPU（NVIDIA/AMD/Intel）卸载，仅适用于ARM芯片（及某些AVX2/AVX512 CPU）。

如果使用ARM芯片，Q4_0_X_X量化将显著提速。查看Q4_0_4_4速度对比原始拉取请求

要确定哪种量化最适合您的ARM芯片，可以查看AArch64 SoC特性（感谢EloyOn！）。

如果使用支持AVX2或AVX512的CPU（通常是服务器CPU和AMD最新的Zen5 CPU）且未卸载到GPU，Q4_0_8_8也可能提供不错的速度：

点击查看AVX2系统（EPYC7702）的基准测试

模型	大小	参数	后端	线程数	测试	t/s	%（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	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	pp

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