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。

Legion-V2.1-LLaMa-70B-Elarablated-v0.8-hf是基于LLaMa-70B的量化版本，采用llama.cpp进行优化，提供多种量化选项以适应不同硬件需求。

基于NVIDIA Llama-3.1-Nemotron-Nano-4B-v1.1模型的量化版本，使用llama.cpp工具进行多种量化处理，适合在资源受限的环境中运行。

Qwen2.5-Omni 是一个端到端的多模态模型，能够感知文本、图像、音频和视频等多种模态，并以流式方式生成文本和自然语音响应。

这是一个实验性的小型思维模型，旨在8GiB消费级显卡上运行，具备通用推理能力。

基于Qwen/Qwen3-32B的量化版本，使用llama.cpp进行量化，支持多种量化类型，适用于不同硬件需求。

基于Qwen/Qwen3-1.7B的量化版本，使用llama.cpp进行量化，支持多种量化类型，适用于文本生成任务。

Qwen团队提供的Qwen3-4B的Llamacpp imatrix量化版本，支持多种量化类型，适用于文本生成任务。

基于Qwen/Qwen3-30B-A3B的量化版本，使用llama.cpp进行多种精度量化，适用于文本生成任务。

Llama-3.2-1B-Instruct 是一个基于 Llama 架构的 1B 参数量的指令微调模型，提供多种量化格式以适应不同硬件需求。

ViCoder-HTML-32B-preview是一款强大的AI模型，专为生成完整网站而设计，包括HTML、Tailwind CSS和JavaScript代码。

这是一个基于DARE TIES方法合并的12B参数语言模型，融合了多个预训练模型，旨在提供强大的文本生成能力。

Qwen2.5-72B-Instruct的GGUF量化版本，支持多种精度格式，适用于不同硬件环境的高效推理。

Llama 2是由Meta开发的7B参数规模的大语言模型，提供多种量化版本以适应不同硬件需求。

mxbai-rerank-large-v2是一个多语言文本重排序模型，支持多种语言和多种量化格式，适用于不同硬件环境。

phi-4是微软研究院开发的开源语言模型，专注于高质量数据和推理能力，适用于内存/计算受限环境。

Meta-Llama-3-8B 是一个基于 GGUF 格式的 8B 参数大语言模型，支持多种量化版本，适用于不同硬件环境。

基于flash-linear attention格式的RWKV-7模型，支持多语言文本生成任务。

RWKV-7架构的29亿参数大语言模型，支持多语言文本生成任务

这是一个基于Wan-AI/Wan2.1-T2V-1.3B的gguf量化版本，专为文本生成视频任务设计，兼容comfyui-gguf和gguf节点。

Cydonia-24B-v2.1是一个24B参数的大语言模型，经过llama.cpp的imatrix量化处理，提供多种量化版本以适应不同硬件需求。

Rombo-LLM-V3.1-QWQ-32b是一个32B参数规模的大型语言模型，经过llama.cpp的imatrix量化处理，提供多种量化版本以适应不同硬件需求。

mochi的gguf量化版本是一个文本生成视频的模型，包含gguf编码器和gguf变分自编码器，适用于快速生成视频内容。

这是一个24B参数的大语言模型，经过llama.cpp的imatrix量化处理，提供多种量化版本以适应不同硬件需求。

Nera_Noctis-12B的Llamacpp imatrix量化版本，基于Nitral-AI/Nera_Noctis-12B模型，支持英文文本生成任务。

mochi是一个基于gguf量化版本的文本生成视频模型，支持通过文本描述生成视频内容。

Aura-4B是一个基于AuraIndustries/Aura-4B的量化版本，使用llama.cpp进行imatrix量化，支持多种量化类型，适用于文本生成任务。

Mixtral-8x7B是一个预训练的生成式稀疏混合专家模型，在多数基准测试中表现优于Llama 2 70B。

StarCoder2-3B是一个拥有30亿参数的代码生成模型，基于17种编程语言训练而成，支持16,384标记的上下文窗口。

这是BLIP-2模型的分片版本，采用Flan T5-xl实现图像到文本任务，如图像描述和视觉问答。

基于WikiText-103 v1数据集训练的长序列Nyströmformer模型，支持4096长度的序列处理

基于WikiText-103数据集训练的Nystromformer模型，支持长序列处理（2048 tokens）