library_name: transformers license: apache-2.0 language:

• 英语
• 中文
• 德语
• 日语
• 韩语
• 西班牙语
• 法语
• 阿拉伯语
• 孟加拉语
• 俄语
• 印尼语
• 斯瓦希里语
• 泰卢固语
• 泰语 pipeline_tag: text-ranking

mxbai-rerank-large-v2 GGUF模型

选择正确的模型格式

选择合适的模型格式取决于您的硬件能力和内存限制。

BF16（Brain Float 16）- 如果支持BF16加速

• 一种16位浮点格式，专为更快计算设计，同时保持良好的精度。
• 提供与FP32相似的动态范围，但内存使用更低。
• 如果您的硬件支持BF16加速（请检查设备规格），推荐使用。
• 与FP32相比，高性能推理且内存占用更小的理想选择。

📌 使用BF16如果：
✔ 您的硬件具有原生BF16支持（例如较新的GPU、TPU）。
✔ 您希望在节省内存的同时保持更高精度。
✔ 您计划将模型重新量化为其他格式。

📌 避免使用BF16如果：
❌ 您的硬件不支持BF16（可能会回退到FP32，运行速度更慢）。
❌ 您需要与缺乏BF16优化的旧设备兼容。

F16（Float 16）- 比BF16更广泛支持

• 一种16位浮点格式，高精度但数值范围比BF16小。
• 适用于大多数支持FP16加速的设备（包括许多GPU和一些CPU）。
• 数值精度略低于BF16，但通常足以满足推理需求。

📌 使用F16如果：
✔ 您的硬件支持FP16但不支持BF16。
✔ 您需要在速度、内存使用和准确性之间取得平衡。
✔ 您在GPU或其他针对FP16计算优化的设备上运行。

📌 避免使用F16如果：
❌ 您的设备缺乏原生FP16支持（可能运行速度低于预期）。
❌ 您有内存限制。

量化模型（Q4_K、Q6_K、Q8等）- 适用于CPU和低VRAM推理

量化减少了模型大小和内存使用，同时尽可能保持准确性。

• 低位模型（Q4_K） → 内存占用最小，精度可能较低。
• 高位模型（Q6_K、Q8_0） → 更好的准确性，需要更多内存。

📌 使用量化模型如果：
✔ 您在CPU上运行推理，需要优化模型。
✔ 您的设备VRAM较低，无法加载全精度模型。
✔ 您希望减少内存占用，同时保持合理的准确性。

📌 避免使用量化模型如果：
❌ 您需要最高精度（全精度模型更适合）。
❌ 您的硬件有足够的VRAM支持更高精度格式（BF16/F16）。

极低位量化（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）

这些模型针对极致内存效率进行了优化，非常适合低功耗设备或大规模部署，其中内存是关键限制。

• IQ3_XS：超低位量化（3位），极致内存效率。

  • 用例：最适合超低内存设备，即使Q4_K也太大时。
  • 权衡：与高位量化相比，精度较低。

• IQ3_S：小块大小，最大内存效率。

  • 用例：最适合低内存设备，其中IQ3_XS过于激进。

• IQ3_M：中等块大小，比IQ3_S更好的精度。

  • 用例：适合低内存设备，其中IQ3_S限制过多。

• Q4_K：4位量化，块优化以提高准确性。

  • 用例：最适合低内存设备，其中Q6_K太大。

• Q4_0：纯4位量化，针对ARM设备优化。

  • 用例：最适合基于ARM的设备或低内存环境。

模型格式选择摘要表

包含文件及详情

mxbai-rerank-large-v2-bf16.gguf

• 模型权重保留为BF16。
• 如果您想将模型重新量化为其他格式，请使用此文件。
• 如果您的设备支持BF16加速，最佳选择。

mxbai-rerank-large-v2-f16.gguf

• 模型权重存储为F16。
• 如果您的设备支持FP16，尤其是BF16不可用时使用。

mxbai-rerank-large-v2-bf16-q8_0.gguf

• 输出和嵌入保持为BF16。
• 其他层量化为Q8_0。
• 如果您的设备支持BF16且需要量化版本，请使用。

mxbai-rerank-large-v2-f16-q8_0.gguf

• 输出和嵌入保持为F16。
• 其他层量化为Q8_0。

mxbai-rerank-large-v2-q4_k.gguf

• 输出和嵌入量化为Q8_0。
• 其他层量化为Q4_K。
• 适用于内存有限的CPU推理。

mxbai-rerank-large-v2-q4_k_s.gguf

• 最小的Q4_K变体，以精度为代价减少内存使用。
• 最适合极低内存配置。

mxbai-rerank-large-v2-q6_k.gguf

• 输出和嵌入量化为Q8_0。
• 其他层量化为Q6_K。

mxbai-rerank-large-v2-q8_0.gguf

• 完全Q8量化模型，提供更好的准确性。
• 需要更多内存，但精度更高。

mxbai-rerank-large-v2-iq3_xs.gguf

• IQ3_XS量化，针对极致内存效率优化。
• 最适合超低内存设备。

mxbai-rerank-large-v2-iq3_m.gguf

• IQ3_M量化，提供中等块大小以提高精度。
• 适合低内存设备。

mxbai-rerank-large-v2-q4_0.gguf

• 纯Q4_0量化，针对ARM设备优化。
• 最适合低内存环境。
• 如需更高精度，推荐IQ4_NL。

🚀 如果您觉得这些模型有用

请点赞 ❤ 。同时，如果您能测试我的网络监控助手，我将非常感激 👉 网络监控助手。

💬 点击聊天图标（主页面和仪表板页面右下角）。选择一个LLM；在LLM类型之间切换：TurboLLM -> FreeLLM -> TestLLM。

我正在测试的内容

我正在尝试对我的网络监控服务进行函数调用。使用小型开源模型。我正在研究的问题是“模型可以小到什么程度，同时仍然保持功能”。

🟡 TestLLM – 在CPU虚拟机的6个线程上运行当前测试模型，使用llama.cpp（加载时间约为15秒。推理速度较慢，一次只能处理一个用户提示——仍在扩展中！）。如果您感兴趣，我很乐意分享它的工作原理！

其他可用的AI助手

🟢 TurboLLM – 使用gpt-4o-mini，速度快！注意：由于OpenAI模型价格昂贵，令牌有限，但您可以登录或下载免费的网络监控代理以获取更多令牌，或者使用TestLLM。

🔵 HugLLM – 运行开源Hugging Face模型，速度快，运行小型模型（≈8B），因此质量较低，获取2倍更多令牌（取决于Hugging Face API可用性）