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/EXAONE-3.5-32B-Instruct-GGUF --include "EXAONE-3.5-32B-Instruct-Q4_K_M.gguf" --local-dir ./

如果模型大小超过 50GB，它将被拆分为多个文件。若要将它们全部下载到本地文件夹，请运行：

huggingface-cli download bartowski/EXAONE-3.5-32B-Instruct-GGUF --include "EXAONE-3.5-32B-Instruct-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如 EXAONE-3.5-32B-Instruct-Q8_0），也可以将它们全部下载到当前目录（./）。

如果你使用的是 ARM 芯片，Q4_0_X_X 量化将显著提高速度。查看 原始拉取请求 中的 Q4_0_4_4 速度比较。

要检查哪个量化最适合你的 ARM 芯片，你可以查看 AArch64 SoC 特性（感谢 EloyOn！）。

如果你使用的是支持 AVX2 或 AVX512 的 CPU（通常是服务器 CPU 和 AMD 最新的 Zen5 CPU），并且不进行 GPU 卸载，Q4_0_8_8 也可能提供不错的速度：

Artefact2 提供了一篇很棒的文章，带有展示各种性能的图表，点击此处查看

首先要确定你能运行多大的模型。为此，你需要了解自己有多少内存（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。选择文件大小比 GPU 总显存小 1 - 2GB 的量化模型。

如果你追求绝对的最高质量，将系统内存和 GPU 显存相加，然后选择文件大小比该总和小 1 - 2GB 的量化模型。

接下来，你需要决定是使用 'I 量化' 还是 'K 量化'。

如果你不想考虑太多，可以选择 K 量化。这些量化的格式为 '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特性图表：

llama.cpp 特性矩阵

但基本上，如果你目标是低于 Q4 的量化，并且使用 cuBLAS（英伟达）或 rocBLAS（AMD），你应该考虑 I 量化。这些量化的格式为 IQX_X，如 IQ3_M。这些是较新的量化，在相同大小下提供更好的性能。

这些 I 量化也可以在 CPU 和苹果 Metal 上使用，但比等效的 K 量化慢，因此你需要在速度和性能之间进行权衡。

I 量化 不兼容 Vulcan（也是 AMD），所以如果你有 AMD 显卡，请仔细检查你使用的是 rocBLAS 版本还是 Vulcan 版本。在撰写本文时，LM Studio 有一个支持 ROCm 的预览版，其他推理引擎也有针对 ROCm 的特定版本。