xlangai_Jedi-7B-1080p-GGUF开源模型 - 多量化类型平衡大小和质量

首页

Xlangai Jedi 7B 1080p GGUF

由 bartowski 开发

这是一个使用llama.cpp进行量化的Jedi - 7B - 1080p模型，提供了多种量化类型供用户选择，以平衡文件大小和模型质量。

大型语言模型英语开源协议:Apache-2.0 #多量化级别 #低内存优化 #嵌入输出优化

下载量 225

发布时间 : 6/1/2025

模型简介

该模型是xlangai的Jedi - 7B - 1080p模型的量化版本，支持多种量化类型，适用于不同硬件环境和性能需求。

模型特点

多种量化类型

提供了从Q2_K到Q8_0等多种量化类型，用户可以根据硬件条件和性能需求选择合适的量化级别。

嵌入/输出权重优化

部分量化方法（如Q3_K_XL、Q4_K_L等）将嵌入和输出权重量化为Q8_0，以提高模型质量。

在线重新打包

支持在线重新打包权重，优化ARM和AVX机器的性能。

模型能力

文本生成

多轮对话

低内存环境运行

使用案例

自然语言处理

对话系统

可用于构建智能对话系统，支持多轮交互。

文本生成

生成高质量文本，适用于内容创作、摘要生成等场景。

低资源环境应用

边缘设备部署

通过量化模型在低内存设备上运行，如树莓派等。

🚀 xlangai的Jedi-7B-1080p的Llamacpp imatrix量化版本

本项目是xlangai的Jedi-7B-1080p模型的量化版本，借助llama.cpp工具进行量化处理，提供了多种量化类型的文件供用户选择，以满足不同硬件配置和性能需求。

🚀 快速开始

使用 llama.cpp 版本 b5524 进行量化。原始模型：https://huggingface.co/xlangai/Jedi-7B-1080p 所有量化文件均使用imatrix选项和来自此处的数据集生成。你可以在 LM Studio 中运行这些量化文件，也可以直接使用 llama.cpp 或任何基于llama.cpp的项目来运行。

✨ 主要特性

提供多种量化类型的文件，满足不同硬件配置和性能需求。
部分量化文件采用特殊方法处理嵌入和输出权重，提高模型质量。
支持在线重新打包权重，提高ARM和AVX机器的性能。

📦 安装指南

使用huggingface-cli下载

首先，确保你已经安装了huggingface-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/xlangai_Jedi-7B-1080p-GGUF --include "xlangai_Jedi-7B-1080p-Q4_K_M.gguf" --local-dir ./

如果模型大小超过50GB，它将被分割成多个文件。要将它们全部下载到本地文件夹，请运行：

huggingface-cli download bartowski/xlangai_Jedi-7B-1080p-GGUF --include "xlangai_Jedi-7B-1080p-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如xlangai_Jedi-7B-1080p-Q8_0），也可以将它们全部下载到当前目录（./）。

💻 使用示例

基础用法

# 此处可根据实际使用场景补充基础使用代码

高级用法

# 此处可根据实际使用场景补充高级使用代码

📚 详细文档

提示格式

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

下载文件选择

文件名	量化类型	文件大小	分割情况	描述
Jedi-7B-1080p-bf16.gguf	bf16	15.24GB	false	完整的BF16权重。
Jedi-7B-1080p-Q8_0.gguf	Q8_0	8.10GB	false	极高质量，通常不需要，但为可用的最大量化。
Jedi-7B-1080p-Q6_K_L.gguf	Q6_K_L	6.52GB	false	嵌入和输出权重使用Q8_0。非常高质量，接近完美，推荐。
Jedi-7B-1080p-Q6_K.gguf	Q6_K	6.25GB	false	非常高质量，接近完美，推荐。
Jedi-7B-1080p-Q5_K_L.gguf	Q5_K_L	5.78GB	false	嵌入和输出权重使用Q8_0。高质量，推荐。
Jedi-7B-1080p-Q5_K_M.gguf	Q5_K_M	5.44GB	false	高质量，推荐。
Jedi-7B-1080p-Q5_K_S.gguf	Q5_K_S	5.32GB	false	高质量，推荐。
Jedi-7B-1080p-Q4_K_L.gguf	Q4_K_L	5.09GB	false	嵌入和输出权重使用Q8_0。质量良好，推荐。
Jedi-7B-1080p-Q4_1.gguf	Q4_1	4.87GB	false	旧格式，性能与Q4_K_S相似，但在Apple硅芯片上的每瓦令牌数有所提高。
Jedi-7B-1080p-Q4_K_M.gguf	Q4_K_M	4.68GB	false	质量良好，是大多数用例的默认大小，推荐。
Jedi-7B-1080p-Q3_K_XL.gguf	Q3_K_XL	4.57GB	false	嵌入和输出权重使用Q8_0。质量较低但可用，适合低内存情况。
Jedi-7B-1080p-Q4_K_S.gguf	Q4_K_S	4.46GB	false	质量略低，但节省更多空间，推荐。
Jedi-7B-1080p-Q4_0.gguf	Q4_0	4.44GB	false	旧格式，支持ARM和AVX CPU推理的在线重新打包。
Jedi-7B-1080p-IQ4_NL.gguf	IQ4_NL	4.44GB	false	与IQ4_XS相似，但略大。支持ARM CPU推理的在线重新打包。
Jedi-7B-1080p-IQ4_XS.gguf	IQ4_XS	4.22GB	false	质量不错，比Q4_K_S小，性能相似，推荐。
Jedi-7B-1080p-Q3_K_L.gguf	Q3_K_L	4.09GB	false	质量较低但可用，适合低内存情况。
Jedi-7B-1080p-Q3_K_M.gguf	Q3_K_M	3.81GB	false	低质量。
Jedi-7B-1080p-IQ3_M.gguf	IQ3_M	3.57GB	false	中低质量，新方法，性能与Q3_K_M相当。
Jedi-7B-1080p-Q2_K_L.gguf	Q2_K_L	3.55GB	false	嵌入和输出权重使用Q8_0。质量非常低，但出人意料地可用。
Jedi-7B-1080p-Q3_K_S.gguf	Q3_K_S	3.49GB	false	低质量，不推荐。
Jedi-7B-1080p-IQ3_XS.gguf	IQ3_XS	3.35GB	false	质量较低，新方法，性能不错，略优于Q3_K_S。
Jedi-7B-1080p-IQ3_XXS.gguf	IQ3_XXS	3.11GB	false	质量较低，新方法，性能不错，与Q3量化相当。
Jedi-7B-1080p-Q2_K.gguf	Q2_K	3.02GB	false	质量非常低，但出人意料地可用。
Jedi-7B-1080p-IQ2_M.gguf	IQ2_M	2.78GB	false	质量相对较低，使用了最先进的技术，出人意料地可用。

嵌入/输出权重

部分量化文件（如Q3_K_XL、Q4_K_L等）采用标准量化方法，将嵌入和输出权重量化为Q8_0，而不是通常的默认值。

ARM/AVX信息

以前，你会下载Q4_0_4_4/4_8/8_8文件，这些文件的权重会在内存中交错排列，以便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“在线重新打包”权重功能，详情见此PR。如果你使用Q4_0，并且你的硬件可以从重新打包权重中受益，它将自动实时进行。从llama.cpp构建版本 b4282 开始，你将无法运行Q4_0_X_X文件，而需要使用Q4_0。此外，如果你想获得略高的质量，可以使用IQ4_NL，感谢此PR，它也会为ARM重新打包权重，不过目前仅适用于4_4。加载时间可能会更长，但总体速度会提高。

选择哪个文件？

Artefact2提供了一篇很棒的文章，带有展示各种性能的图表，点击查看首先，你需要确定你可以运行多大的模型。为此，你需要确定你有多少内存（RAM）和/或显存（VRAM）。如果你希望模型运行得尽可能快，你需要将整个模型放入GPU的显存中。选择一个文件大小比GPU总显存小1 - 2GB的量化文件。如果你追求绝对最高质量，将系统内存和GPU显存相加，然后选择一个文件大小比该总和小1 - 2GB的量化文件。接下来，你需要决定是使用“I-quant”还是“K-quant”。如果你不想考虑太多，选择一个K-quant。这些文件的格式为“QX_K_X”，如Q5_K_M。如果你想深入了解，可以查看这个非常有用的功能图表： llama.cpp功能矩阵但基本上，如果你目标是低于Q4的量化，并且你使用的是cuBLAS（Nvidia）或rocBLAS（AMD），你应该考虑I-quant。这些文件的格式为IQX_X，如IQ3_M。这些是较新的量化方法，在相同大小下提供更好的性能。这些I-quant也可以在CPU上使用，但比相应的K-quant慢，所以你需要在速度和性能之间做出权衡。