🚀 QwQ-32B-ArliAI-RpR-v4 GGUF模型

基于Qwen/QwQ-32B的文本生成模型

[📖 详细文档 • [🚀 快速开始 • [💻 使用示例

---

🚀 快速开始

本模型适用于文本生成任务，以下是使用不同格式模型的简要说明：

• 若你的硬件支持BF16加速，推荐使用QwQ-32B-ArliAI-RpR-v4-bf16.gguf。
• 若硬件支持FP16但不支持BF16，使用QwQ-32B-ArliAI-RpR-v4-f16.gguf。
• 对于内存受限的CPU推理，QwQ-32B-ArliAI-RpR-v4-q4_k.gguf是不错的选择。

详细的使用步骤和注意事项，请参考后续文档内容。

✨ 主要特性

• 超低比特量化：采用IQ-DynamicGate方法进行1 - 2比特量化，实现了精度自适应量化，提升了模型在极端低比特下的性能。
• 多格式支持：提供BF16、F16、多种量化格式（如Q4_K、Q6_K、Q8_0等），满足不同硬件和内存约束需求。
• 长对话处理：经过特殊训练，在长多轮角色扮演聊天中能输出连贯且有趣的内容。

📦 安装指南

本模型基于transformers库，确保你已安装该库。你可以从Hugging Face下载相应的模型文件，例如：

• BF16格式：https://huggingface.co/ArliAI/QwQ-32B-ArliAI-RpR-v4
• GGUF格式：https://huggingface.co/ArliAI/QwQ-32B-ArliAI-RpR-v4-GGUF

💻 使用示例

基础用法

使用transformers库加载并运行模型：

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

# 选择合适的模型文件路径
model_path = "path/to/your/model"
model = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch.bfloat16 if "bf16" in model_path else torch.float16)
tokenizer = AutoTokenizer.from_pretrained(model_path)

input_text = "Your input text here"
inputs = tokenizer(input_text, return_tensors="pt")
outputs = model.generate(**inputs)
generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(generated_text)

推理模型设置示例

对于推理模型，需注意在SuperChat（ST）中进行正确设置：

• 前缀仅设置为<think>，后缀仅设置为</think>，无空格或换行。
• 回复以<think>开头。
• 取消勾选“Always add character names”。
• “Include names”设置为“never”。
• 聊天模板应符合模型要求。

测试模型使用示例

如果你想参与测试AI网络监控模型，可以按以下步骤操作：

1. 访问免费网络监控器 。
2. 选择AI助手类型：
   • TurboLLM (GPT - 4o - mini)
   • HugLLM (Huggingface开源)
   • TestLLM (仅支持CPU的实验性模型)

📚 详细文档

模型生成细节

本模型使用llama.cpp 在提交版本f5cd27b7 下生成。

超低比特量化（1 - 2比特）

我们最新的量化方法为超低比特模型（1 - 2比特）引入了精度自适应量化，通过对Llama - 3 - 8B的基准测试验证了其有效性。该方法采用特定层策略，在保证极端内存效率的同时保留精度。

基准测试背景

所有测试均在Llama - 3 - 8B - Instruct上进行，使用以下设置：

• 标准困惑度评估管道
• 2048令牌上下文窗口
• 所有量化设置使用相同的提示集

方法

• 动态精度分配：
  • 前/后25%的层 → IQ4_XS（选定层）
  • 中间50% → IQ2_XXS/IQ3_S（提高效率）
• 关键组件保护：
  • 嵌入层/输出层使用Q5_K
  • 与标准1 - 2比特量化相比，误差传播降低38%

量化性能对比（Llama - 3 - 8B）

量化方式	标准困惑度（PPL）	动态门控困惑度（DynamicGate PPL）	PPL变化百分比	标准大小	动态门控大小	大小变化	标准推理速度	动态门控推理速度
IQ2_XXS	11.30	9.84	-12.9%	2.5G	2.6G	+0.1G	234s	246s
IQ2_XS	11.72	11.63	-0.8%	2.7G	2.8G	+0.1G	242s	246s
IQ2_S	14.31	9.02	-36.9%	2.7G	2.9G	+0.2G	238s	244s
IQ1_M	27.46	15.41	-43.9%	2.2G	2.5G	+0.3G	206s	212s
IQ1_S	53.07	32.00	-39.7%	2.1G	2.4G	+0.3G	184s	209s

关键说明：

• PPL = 困惑度（越低越好）
• ∆ PPL = 从标准量化到动态门控量化的困惑度变化百分比
• 速度 = 推理时间（CPU avx2，2048令牌上下文）
• 大小差异反映了混合量化开销

主要改进：

• IQ1_M 困惑度大幅降低43.9%（从27.46降至15.41）
• IQ2_S 困惑度降低36.9%，仅增加0.2GB大小
• IQ1_S 在1比特量化下仍保持39.7%的精度提升

权衡：

• 所有变体的大小增加幅度较小（0.1 - 0.3GB）
• 推理速度差异不大（<5%）

使用场景

• 适合GPU显存不足的情况
• 内存受限的部署
• 可容忍1 - 2比特误差的CPU和边缘设备
• 超低比特量化研究

选择合适的模型格式

选择正确的模型格式取决于硬件能力和内存约束。

BF16（大脑浮点16） - 若支持BF16加速则使用

• 一种16位浮点格式，专为更快计算设计，同时保留良好精度。
• 与FP32具有相似动态范围，但内存使用更低。
• 若硬件支持BF16加速（查看设备规格），建议使用。
• 适用于高性能推理，与FP32相比可减少内存占用。

适用情况：

• 硬件具有原生BF16支持（如较新的GPU、TPU）
• 希望在节省内存的同时获得更高精度
• 计划将模型重新量化为其他格式

避免情况：

• 硬件不支持BF16（可能会回退到FP32，运行速度变慢）
• 需要与缺乏BF16优化的旧设备兼容

F16（浮点16） - 比BF16更广泛支持

• 16位浮点格式，精度较高，但取值范围小于BF16。
• 适用于大多数支持FP16加速的设备（包括许多GPU和部分CPU）。
• 数值精度略低于BF16，但通常足以进行推理。

适用情况：

• 硬件支持FP16但不支持BF16
• 需要在速度、内存使用和精度之间取得平衡
• 在GPU或其他针对FP16计算优化的设备上运行

避免情况：

• 设备缺乏原生FP16支持（运行速度可能比预期慢）
• 有内存限制

量化模型（Q4_K、Q6_K、Q8_0等） - 用于CPU和低显存推理

量化可减小模型大小和内存使用，同时尽可能保持精度。

• 低比特模型（Q4_K） - 最适合最小内存使用，精度可能较低。
• 高比特模型（Q6_K、Q8_0） - 精度更好，需要更多内存。

适用情况：

• 在CPU上运行推理，需要优化模型
• 设备显存低，无法加载全精度模型
• 希望在保持合理精度的同时减少内存占用

避免情况：

• 需要最高精度（全精度模型更适合）
• 硬件有足够显存支持更高精度格式（BF16/F16）

极低比特量化（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）

这些模型针对极端内存效率进行了优化，适用于低功耗设备或大规模部署，其中内存是关键约束。

• IQ3_XS：超低比特量化（3比特），具有极高内存效率。

  • 使用场景：最适合超低内存设备，甚至Q4_K也过大的情况。
  • 权衡：与高比特量化相比，精度较低。

• IQ3_S：小分块大小，实现最大内存效率。

  • 使用场景：最适合低内存设备，IQ3_XS过于激进的情况。

• IQ3_M：中分块大小，比IQ3_S精度更好。

  • 使用场景：适用于低内存设备，IQ3_S限制过大的情况。

• Q4_K：4比特量化，具有分块优化以提高精度。

  • 使用场景：最适合低内存设备，Q6_K过大的情况。

• Q4_0：纯4比特量化，针对ARM设备优化。

  • 使用场景：最适合基于ARM的设备或低内存环境。

模型格式选择总结表

模型格式	精度	内存使用	设备要求	最佳使用场景
BF16	最高	高	支持BF16的GPU/CPU	高速推理且减少内存使用
F16	高	高	支持FP16的设备	BF16不可用时的GPU推理
Q4_K	中低	低	CPU或低显存设备	内存受限环境最佳选择
Q6_K	中	适中	内存较多的CPU	量化模型中精度较好且仍有一定内存优势
Q8_0	高	适中	有足够显存的CPU或GPU	量化模型中精度最佳
IQ3_XS	极低	极低	超低内存设备	极端内存效率但精度低
Q4_0	低	低	ARM或低内存设备	llama.cpp可针对ARM设备优化

包含的文件及详情

文件名称	说明
QwQ-32B-ArliAI-RpR-v4-bf16.gguf	模型权重为BF16格式。若要将模型重新量化为其他格式，可使用此文件。适用于支持BF16加速的设备。
QwQ-32B-ArliAI-RpR-v4-f16.gguf	模型权重为F16格式。若设备支持FP16，特别是不支持BF16时，可使用此文件。
QwQ-32B-ArliAI-RpR-v4-bf16-q8_0.gguf	输出和嵌入层保持BF16，其他层量化为Q8_0。适用于支持BF16且需要量化版本的设备。
QwQ-32B-ArliAI-RpR-v4-f16-q8_0.gguf	输出和嵌入层保持F16，其他层量化为Q8_0。
QwQ-32B-ArliAI-RpR-v4-q4_k.gguf	输出和嵌入层量化为Q8_0，其他层量化为Q4_K。适合内存有限的CPU推理。
QwQ-32B-ArliAI-RpR-v4-q4_k_s.gguf	最小的Q4_K变体，内存使用更少，但精度有所牺牲。最适合极低内存设置。
QwQ-32B-ArliAI-RpR-v4-q6_k.gguf	输出和嵌入层量化为Q8_0，其他层量化为Q6_K。
QwQ-32B-ArliAI-RpR-v4-q8_0.gguf	完全Q8量化模型，精度更好，但需要更多内存。
QwQ-32B-ArliAI-RpR-v4-iq3_xs.gguf	IQ3_XS量化，针对极端内存效率优化。最适合超低内存设备。
QwQ-32B-ArliAI-RpR-v4-iq3_m.gguf	IQ3_M量化，提供中分块大小以提高精度。适用于低内存设备。
QwQ-32B-ArliAI-RpR-v4-q4_0.gguf	纯Q4_0量化，针对ARM设备优化。最适合低内存环境。优先选择IQ4_NL以获得更好精度。

模型测试相关

如果你觉得这些模型有用，请点击“点赞”！帮助测试人工智能网络监控助手的量子安全检查：

• 免费网络监控器

测试方法： 选择一种AI助手类型：

• TurboLLM (GPT - 4o - mini)
• HugLLM (Huggingface开源)
• TestLLM (仅支持CPU的实验性模型)

测试内容

主要测试小型开源模型在AI网络监控中的极限，具体包括：

• 针对实时网络服务的函数调用
• 模型规模最小化，同时处理以下任务：
  • 自动化Nmap扫描
  • 量子就绪检查
  • 网络监控任务

不同助手介绍

• TestLLM - 当前实验性模型（llama.cpp在2个CPU线程上）：

  • 零配置设置
  • 30秒加载时间（推理速度慢，但无API成本）
  • 寻求帮助！如果你对边缘设备AI感兴趣，让我们一起合作！

• TurboLLM - 使用gpt - 4o - mini实现：

  • 创建自定义命令处理器，在免费网络监控代理上运行.net代码
  • 实时网络诊断和监控
  • 安全审计
  • 渗透测试（Nmap/Metasploit）
  • 登录或下载集成AI助手的免费网络监控代理可获得更多令牌。

• HugLLM - 最新开源模型：

  • 在Hugging Face推理API上运行

模型系列概述

RpR v4变化

• 减少重复和模仿：采用更高级的过滤方法，减少LLM重复相似短语或替用户发言的情况。若出现重复或模仿，是由于基础QwQ模型的训练方式，而非RpR数据集。
• 增加训练序列长度：训练序列长度增加到16K，有助于在更长的聊天中提高意识和记忆能力。

RpR系列构建

RpR（角色扮演推理）系列是ArliAI的新系列模型，直接基于RPMax系列成功的数据集策划方法和训练方法构建。

为创建RpR，首先将现有的RPMax数据集重新处理为推理数据集，利用基础QwQ指令模型为RPMax数据集中的每个对话示例创建推理过程，并进一步细化以确保推理与数据集中的实际响应示例一致。

训练时，使用axolotl和无手动模板段数据集，确保模型在训练过程中不会看到推理块，就像在推理时的使用方式一样。

训练结果表明，即使在长多轮角色扮演聊天中，模型也能输出连贯且有趣的内容。据我们所知，这是首个真正经过正确训练的用于角色扮演和创意写作的推理模型。

你可以在https://arliai.com 访问该模型，我们还有一个模型排名页面：[https://www.arliai.com/models - ranking](https://www.arliai.com/models - ranking) 。如有疑问，可在我们的新Discord服务器https://discord.com/invite/t75KbPgwhk 或Reddit社区https://www.reddit.com/r/ArliAI/ 提问。

模型描述

QwQ - 32B - ArliAI - RpR - v4是RpR系列的第三个版本。它是一个320亿参数的模型，基于RPMax数据集策划的RpR数据集进行微调，并结合了在长多轮聊天中保持推理能力的技术。

推荐采样器

• RpR模型与重复惩罚类型的采样器（如XTC或DRY）配合不佳。
• 最好使用简单的采样器设置，并允许模型进行长时间推理（高最大令牌数）。
• 你也可以下载本仓库文件部分上传的ST主导出文件。

推荐初始设置：

• 温度：1.0
• MinP：0.02
• TopK：40
• 响应令牌数：2048+

规格参数

• 基础模型：QwQ - 32B
• 最大上下文长度：使用Yarn时最大128K（与基础QwQ原生的32K相同）
• 参数数量：32B
• 推理模型：是

训练细节

• 序列长度：16384
• 训练轮数：1轮（继承自RPMax方法）
• 微调方法：RS - QLORA + （秩稳定LoRA + LoRA Plus 8x）
• 秩/阿尔法：128秩，128阿尔法
• 学习率：0.00001
• 调度器：Rex
• 梯度累积：32

训练图表

这里展示了训练损失和评估损失的图表，帮助你了解模型训练过程：  

量化信息

• BF16：[https://huggingface.co/ArliAI/QwQ - 32B - ArliAI - RpR - v4](https://huggingface.co/ArliAI/QwQ - 32B - ArliAI - RpR - v4)
• GGUF：[https://huggingface.co/ArliAI/QwQ - 32B - ArliAI - RpR - v4 - GGUF](https://huggingface.co/ArliAI/QwQ - 32B - ArliAI - RpR - v4 - GGUF)

RPMax基础细节

目标：减少重复和提高创造力

RPMax和RpR数据集策划的目标是减少重复，提高模型在不同情况下的创意写作能力。这意味着模型在不同情况下的输出响应差异很大，不会陷入可预测的套路。

重复和创造力的定义

• 创造力：指模型输出的多样性。不要将创造力与写作风格混淆，模型写出优美的文章并不意味着具有创造力。
• 重复类型：
  • 上下文内重复：模型在单个对话中重复相同短语。这种重复在某些情况下可能是有意的，不一定会降低模型的写作能力。RPMax和RpR系列目前暂未重点消除这种重复。
  • 跨上下文重复：模型在非常不同的情况下重复相同的短语或套路，这是一种不良现象，表明模型在训练数据集中过度拟合了某种“创意写作”风格。RPMax和RpR数据集策划的主要目标是减少跨上下文重复。

数据集策划

模型的成功得益于训练方法和为微调创建的独特数据集。该数据集包含尽可能多的开源创意写作和角色扮演数据集（均来自Hugging Face），并经过筛选，去除了纯粹的合成生成数据集，因为这些数据集往往会降低模型性能。

使用Llama 3.1 8B（或类似能力的模型）创建数据集中角色和情况的数据库，对数据集进行去重，确保每个角色或情况只有一个示例。

微调的黄金法则

与预训练阶段不同，微调模型的关键不是数据量，而是质量。因此，这里使用的数据集比包含重复角色和情况的数据集小得多，但最终模型不会让人感觉是另一个创意写作/角色扮演模型的“近亲”。

训练参数和非常规方法

通常的训练方法是使用低学习率和高梯度累积来稳定损失，然后进行多轮训练。而RPMax和RpR方法仅使用一轮训练，低梯度累积和高于正常的学习率。训练过程中损失曲线不稳定，但平滑后呈下降趋势。其原理是让模型从数据集中的每个示例中学到更多，避免模型过度依赖单一角色或故事套路。

训练中的损失波动是因为模型在处理新示例时无法准确预测答案。相对较高的最终损失（1.0或略高）是可以接受的，因为目标不是让模型输出与训练数据集完全一致的内容，而是创造一个有足够创意的模型。

🔧 技术细节

• 模型基于transformers库，使用llama.cpp进行模型生成。
• 量化方法采用精度自适应量化和动态门控技术，在低比特量化下保持精度。
• 推理模型在训练和使用时需注意特定的设置，以确保正确输出推理内容。

🤝 贡献指南

如果你对本模型感兴趣，欢迎参与贡献：

• 报告问题或提出建议，可在GitHub仓库的Issues中提交。
• 如果你有代码改进或新功能添加，请提交Pull Request。

📄 许可证

本模型采用Apache 2.0许可证。详情请参考许可证文件。