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特定文件：

huggingface-cli download bartowski/nvidia_OpenReasoning - Nemotron - 32B - GGUF --include "nvidia_OpenReasoning - Nemotron - 32B - Q4_K_M.gguf" --local-dir ./

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

huggingface-cli download bartowski/nvidia_OpenReasoning - Nemotron - 32B - GGUF --include "nvidia_OpenReasoning - Nemotron - 32B - Q8_0/*" --local-dir ./

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

我保留这部分内容是为了展示使用带有在线重新打包的Q4_0在理论上可能的性能提升。

Artefact2提供了一篇很棒的文章，带有展示各种性能的图表，链接为 此处。

首先，你需要确定能够运行的模型大小。为此，你需要了解自己拥有的内存（RAM）和/或显存（VRAM）容量。

如果你希望模型运行速度尽可能快，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”。

如果你不想过多思考，选择K - 量化模型，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](https://github.com/ggerganov/llama.cpp/wiki/Feature - matrix)

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

这些I - 量化模型也可以在CPU上使用，但比对应的K - 量化模型慢，因此你需要在速度和性能之间进行权衡。