🚀 Llama-3_1-Nemotron-Ultra-253B-v1的Llamacpp imatrix量化版本

本项目是对nvidia的Llama-3_1-Nemotron-Ultra-253B-v1模型进行量化处理，旨在提升模型在不同硬件上的运行效率和性能。通过使用特定的量化工具和方法，生成了多种不同量化类型的模型文件，以满足不同用户的需求。

🚀 快速开始

运行环境

可以在 LM Studio 中运行这些量化模型，也可以直接使用 llama.cpp 或基于 llama.cpp 的其他项目来运行。

下载模型

使用 huggingface-cli 下载

首先，确保你已经安装了 hugginface-cli：

pip install -U "huggingface_hub[cli]"

然后，你可以指定要下载的特定文件：

huggingface-cli download bartowski/nvidia_Llama-3_1-Nemotron-Ultra-253B-v1-GGUF --include "nvidia_Llama-3_1-Nemotron-Ultra-253B-v1-Q4_K_M.gguf" --local-dir ./

如果模型文件大于 50GB，它会被分割成多个文件。若要将它们全部下载到本地文件夹，请运行：

huggingface-cli download bartowski/nvidia_Llama-3_1-Nemotron-Ultra-253B-v1-GGUF --include "nvidia_Llama-3_1-Nemotron-Ultra-253B-v1-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如 nvidia_Llama-3_1-Nemotron-Ultra-253B-v1-Q8_0），也可以将它们全部下载到当前目录（./）。

✨ 主要特性

• 多种量化类型：提供了丰富的量化类型，如 Q8_0、Q6_K、Q5_K_M 等，以满足不同的性能和质量需求。
• 优化性能：部分量化模型采用了特殊的处理方式，如将嵌入和输出权重量化为 Q8_0，以提升性能。
• 在线重打包：支持在线重打包权重，可根据硬件情况自动优化性能。

📦 安装指南

安装 huggingface-cli

pip install -U "huggingface_hub[cli]"

💻 使用示例

基础用法

# 此处可根据实际使用情况添加基础使用代码示例

高级用法

# 此处可根据实际使用情况添加高级使用代码示例

📚 详细文档

提示格式

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

{system_prompt}<|eot_id|><|start_header_id|>user<|end_header_id|>

{prompt}<|eot_id|><|start_header_id|>assistant<|end_header_id|>

下载文件

嵌入/输出权重

部分量化模型（如 Q3_K_XL、Q4_K_L 等）采用了标准的量化方法，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，这些模型的权重会在内存中交错排列，以通过一次加载更多数据来提高 ARM 和 AVX 机器的性能。

现在，有了所谓的“在线重打包”权重功能，详情见 此 PR。如果你使用 Q4_0 且硬件能从权重重打包中受益，它会自动实时进行。

从 llama.cpp 构建 b4282 开始，你将无法运行 Q4_0_X_X 文件，而需要使用 Q4_0。

此外，如果你想获得更好的质量，可以使用 IQ4_NL，这得益于 此 PR，它也会为 ARM 重打包权重，不过目前仅适用于 4_4。加载时间可能会更长，但会提高整体速度。

选择合适的文件

🔧 技术细节

量化方法

使用 llama.cpp 版本 b5270 进行量化。所有量化模型均使用 imatrix 选项，并使用 此处 的数据集。

在线重打包

在线重打包权重的功能可根据硬件情况自动优化性能，详情见 此 PR。

📄 许可证

本项目使用 nvidia-open-model-license 许可证。

致谢

感谢 kalomaze 和 Dampf 在创建 imatrix 校准数据集方面提供的帮助。 感谢 ZeroWw 在嵌入/输出实验方面的启发。 感谢 LM Studio 对本项目的赞助。

如果你想支持我的工作，请访问我的 ko-fi 页面：https://ko-fi.com/bartowski