A M Team AM Thinking V1 GGUF

由 bartowski 开发

基于a-m-team/AM-Thinking-v1模型的Llamacpp imatrix量化版本，支持多种量化类型，适用于文本生成任务。

大型语言模型开源协议:Apache-2.0 #多精度量化 #高效推理 #跨平台兼容

下载量 671

发布时间 : 5/16/2025

模型介绍

内容详情

替代品

模型简介

这是一个经过量化的文本生成模型，支持多种量化选项，可在LM Studio或llama.cpp等工具中运行。

模型特点

多种量化选项

提供从Q8_0到IQ2_XXS等多种量化类型，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，嵌入和输出权重使用Q8_0，保持高质量。

广泛兼容性

支持LM Studio、llama.cpp等多种工具运行，兼容性强。

模型能力

文本生成

多轮对话

上下文理解

使用案例

文本生成

对话系统

用于构建智能对话系统，支持多轮交互。

内容创作

辅助生成文章、故事等内容。

量化者：bartowski
任务标签：文本生成
基础模型：a-m-team/AM-Thinking-v1
许可证：apache-2.0
基础模型关系：量化

a-m-team的AM-Thinking-v1模型的Llamacpp imatrix量化版本

使用llama.cpp发布的b5384版本进行量化。

原始模型：https://huggingface.co/a-m-team/AM-Thinking-v1

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  
{系统提示}<|im_end|>  
<|im_start|>user  
{用户输入}<|im_end|>  
<|im_start|>assistant

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
AM-Thinking-v1-bf16.gguf	bf16	65.54GB	是	完整的BF16权重。
AM-Thinking-v1-Q8_0.gguf	Q8_0	34.82GB	否	极高品质，通常不需要，但为最高可用量化。
AM-Thinking-v1-Q6_K_L.gguf	Q6_K_L	27.26GB	否	嵌入和输出权重使用Q8_0。极高质量，接近完美，推荐。
AM-Thinking-v1-Q6_K.gguf	Q6_K	26.89GB	否	极高质量，接近完美，推荐。
AM-Thinking-v1-Q5_K_L.gguf	Q5_K_L	23.74GB	否	嵌入和输出权重使用Q8_0。高质量，推荐。
AM-Thinking-v1-Q5_K_M.gguf	Q5_K_M	23.26GB	否	高质量，推荐。
AM-Thinking-v1-Q5_K_S.gguf	Q5_K_S	22.64GB	否	高质量，推荐。
AM-Thinking-v1-Q4_1.gguf	Q4_1	20.64GB	否	传统格式，性能类似Q4_K_S，但在Apple芯片上每瓦特生成的token数有所提升。
AM-Thinking-v1-Q4_K_L.gguf	Q4_K_L	20.43GB	否	嵌入和输出权重使用Q8_0。良好质量，推荐。
AM-Thinking-v1-Q4_K_M.gguf	Q4_K_M	19.85GB	否	良好质量，大多数用例的默认大小，推荐。
AM-Thinking-v1-Q4_K_S.gguf	Q4_K_S	18.78GB	否	质量略低但节省更多空间，推荐。
AM-Thinking-v1-Q4_0.gguf	Q4_0	18.71GB	否	传统格式，为ARM和AVX CPU推理提供在线重新打包功能。
AM-Thinking-v1-IQ4_NL.gguf	IQ4_NL	18.68GB	否	类似IQ4_XS，但稍大。为ARM CPU推理提供在线重新打包功能。
AM-Thinking-v1-Q3_K_XL.gguf	Q3_K_XL	17.93GB	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。
AM-Thinking-v1-IQ4_XS.gguf	IQ4_XS	17.69GB	否	质量尚可，比Q4_K_S更小且性能相近，推荐。
AM-Thinking-v1-Q3_K_L.gguf	Q3_K_L	17.25GB	否	质量较低但可用，适合内存有限的情况。
AM-Thinking-v1-Q3_K_M.gguf	Q3_K_M	15.94GB	否	质量较低。
AM-Thinking-v1-IQ3_M.gguf	IQ3_M	14.81GB	否	中低质量，新方法，性能与Q3_K_M相当。
AM-Thinking-v1-Q3_K_S.gguf	Q3_K_S	14.39GB	否	质量较低，不推荐。
AM-Thinking-v1-IQ3_XS.gguf	IQ3_XS	13.71GB	否	质量较低，新方法，性能尚可，略优于Q3_K_S。
AM-Thinking-v1-Q2_K_L.gguf	Q2_K_L	13.07GB	否	嵌入和输出权重使用Q8_0。质量非常低但意外地可用。
AM-Thinking-v1-IQ3_XXS.gguf	IQ3_XXS	12.84GB	否	质量较低，新方法，性能尚可，与Q3量化相当。
AM-Thinking-v1-Q2_K.gguf	Q2_K	12.31GB	否	质量非常低但意外地可用。
AM-Thinking-v1-IQ2_M.gguf	IQ2_M	11.26GB	否	质量相对较低，使用SOTA技术使其意外地可用。
AM-Thinking-v1-IQ2_S.gguf	IQ2_S	10.39GB	否	质量较低，使用SOTA技术使其可用。
AM-Thinking-v1-IQ2_XS.gguf	IQ2_XS	9.96GB	否	质量较低，使用SOTA技术使其可用。
AM-Thinking-v1-IQ2_XXS.gguf	IQ2_XXS	9.03GB	否	质量非常低，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，可以指定要下载的具体文件：

huggingface-cli download bartowski/a-m-team_AM-Thinking-v1-GGUF --include "a-m-team_AM-Thinking-v1-Q4_K_M.gguf" --local-dir ./

如果模型大小超过50GB，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/a-m-team_AM-Thinking-v1-GGUF --include "a-m-team_AM-Thinking-v1-Q8_0/*" --local-dir ./

可以指定新的本地目录（a-m-team_AM-Thinking-v1-Q8_0）或直接下载到当前目录（./）。

ARM/AVX信息

以前，您会下载Q4_0_4_4/4_8/8_8，这些文件会在内存中交错权重，以提高ARM和AV

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