🚀 NVIDIA OpenReasoning-Nemotron-14B的Llamacpp imatrix量化模型

本项目是对NVIDIA的OpenReasoning-Nemotron-14B模型进行的量化处理，旨在提升模型在不同硬件上的运行效率和性能。

量化信息

🚀 快速开始

本项目使用 llama.cpp 的 b5934 版本进行量化。原始模型可在 Hugging Face 上获取。

所有量化模型均使用 imatrix 选项，并采用 此处 的数据集。

你可以在 LM Studio 中运行这些量化模型，也可以直接使用 llama.cpp 或其他基于 llama.cpp 的项目。

✨ 主要特性

• 多种量化类型：提供了丰富的量化类型，如 bf16、Q8_0、Q6_K_L 等，满足不同硬件和性能需求。
• 在线重打包：部分量化模型支持在线重打包，可自动优化 ARM 和 AVX 硬件的性能。
• 高质量与高性能平衡：不同量化类型在质量和性能之间取得了良好的平衡，可根据需求选择。

📦 安装指南

使用 huggingface-cli 下载

首先，确保你已安装 huggingface-cli：

pip install -U "huggingface_hub[cli]"

然后，你可以指定要下载的具体文件：

huggingface-cli download bartowski/nvidia_OpenReasoning-Nemotron-14B-GGUF --include "nvidia_OpenReasoning-Nemotron-14B-Q4_K_M.gguf" --local-dir ./

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

huggingface-cli download bartowski/nvidia_OpenReasoning-Nemotron-14B-GGUF --include "nvidia_OpenReasoning-Nemotron-14B-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（如 nvidia_OpenReasoning-Nemotron-14B-Q8_0），也可以将它们下载到当前目录（./）。

💻 使用示例

提示格式

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

下载文件

嵌入/输出权重

部分量化模型（如 Q3_K_XL、Q4_K_L 等）采用标准量化方法，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 模型，这些模型的权重会在内存中交错排列，以便在 ARM 和 AVX 机器上通过一次加载更多数据来提高性能。

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，它将自动实时进行重打包。

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，如果你想获得稍好的质量，可以使用 IQ4_NL，感谢 此 PR，它也会为 ARM 重打包权重，不过目前仅支持 4_4。加载时间可能会较慢，但总体速度会提高。

如何选择文件

🔧 技术细节

在线重打包

Q4_0 支持在线重打包权重，可根据硬件自动优化性能。详情见 此 PR。

性能对比

📄 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