quantized_by: bartowski pipeline_tag: image-text-to-text language:
- en
- zh license: apache-2.0 base_model: orcarouter/Qwen3.8-27B-Uncensored tags:
- abliterated
- qwen
- qwen3
- qwen3.8
- uncensored
- ai-red-team
- red-teaming
- bf16
- post-training
- fine-tuning
- vision-language
- function-calling
- reasoning
- mtp base_model_relation: quantized
orcarouter 提供的 Qwen3.8-27B-Uncensored 的 Llamacpp imatrix 量化版本
使用 llama.cpp 发布版本 b10630 进行量化。
原始模型:https://huggingface.co/orcarouter/Qwen3.8-27B-Uncensored
模型详情:
提示词格式 (Prompt format)
<|im_start|>system
Reasoning effort is set to xhigh. Please think carefully through the task, validate key assumptions, consider plausible alternatives, and prioritize correctness, consistency, and clarity in the final answer.
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
<think>
不知道该选哪一个? 推荐获取 Q4_K_M(17.77GB)—— 通常在大小和性能之间有很好的平衡。下载说明见此处。
可用文件列表:
下载特定文件:
hf download bartowski/orcarouter_Qwen3.8-27B-Uncensored-GGUF --include "orcarouter_Qwen3.8-27B-Uncensored-Q4_K_M.gguf" --local-dir ./
使用 Hugging Face CLI 进行下载
首先,确保你已安装 Hugging Face CLI:
pip install -U "huggingface_hub[cli]"
下载特定文件:
hf download bartowski/orcarouter_Qwen3.8-27B-Uncensored-GGUF --include "orcarouter_Qwen3.8-27B-Uncensored-Q4_K_M.gguf" --local-dir ./
在上方表格“分卷 (Split)”一栏中标记为 true 的文件,以多个分卷形式存放在文件夹中。如需将所有分卷下载到本地文件夹,请运行:
hf download bartowski/orcarouter_Qwen3.8-27B-Uncensored-GGUF --include "orcarouter_Qwen3.8-27B-Uncensored-bf16/*" --local-dir ./
你可以指定一个新的 local-dir(如 orcarouter_Qwen3.8-27B-Uncensored-bf16),也可以直接下载到当前目录(./)
如何运行
这些量化版本可以通过 llama.cpp 运行 —— 可通过 llama.app 一行命令安装:
curl -LsSf https://llama.app/install.sh | sh
llama-server -hf bartowski/orcarouter_Qwen3.8-27B-Uncensored-GGUF:Q4_K_M
llama-server 包含一个内置的聊天 Web UI,默认在 http://localhost:8080 提供服务。
这些量化版本是使用 llama.cpp release b10630 制作的 —— 如果该模型的架构是最新支持的,则需要该版本或更新版本才能运行它们。
它们还支持在以下平台中运行:LM Studio · koboldcpp · ramalama · Jan AI · Text Generation Web UI · LoLLMs · Atomic Chat
多模态 (Multimodal)
该模型支持图像输入。除量化文件外,本仓库还包含了多模态投影(multimodal projector)文件 mmproj-orcarouter_Qwen3.8-27B-Uncensored-f16.gguf 和 mmproj-orcarouter_Qwen3.8-27B-Uncensored-bf16.gguf,它们可与上述任何量化文件搭配使用。
如上所示使用 -hf 时,llama.cpp 会自动下载 mmproj;如果手动加载文件,请使用 --mmproj 参数传入。
MTP
该模型包含 MTP(Multi-Token Prediction,多 Token 预测)层,并且已包含在这些量化版本中。
MTP 层充当内置的草稿模型(draft model),允许 llama.cpp 运行推测解码(speculative decoding)以实现更快的生成速度。要启用它们,请在 llama.cpp 命令中添加以下参数:
--spec-type draft-mtp
注意:在 imatrix 量化版本中,MTP 层以 Q4_0 格式存储(Q8_0 量化除外),因为 imatrix 校准不涉及这些层。选择 Q4_0 是因其速度优势,可大幅提升 MTP 性能。
imatrix
所有量化均采用 imatrix 选项生成,所使用的校准语料库通过该模型自身的聊天模板渲染。该语料库将普通散文与工具调用(tool-calling)及推理对话相结合(语料库源数据),完全按照该模型在推理时看到的方式进行编码,并使用 --parse-special 进行处理,从而使聊天格式的特殊 token 也能对重要性矩阵做出贡献。为该模型渲染的语料库已包含在本仓库中:orcarouter_Qwen3.8-27B-Uncensored-calibration-v6.txt。imatrix 文件可在此获取:orcarouter_Qwen3.8-27B-Uncensored-imatrix.gguf。
{
"generator": "auto_quant_v2 calibration renderer",
"recipe": "calibration-v6",
"model": "Qwen3.8-27B-Uncensored",
"encoder": "chat_template",
"chunk_size": 512,
"prose_chunks": 214,
"tool_chunks": 369,
"total_chunks": 583,
"tool_chunk_fraction": 0.633,
"n_conversations": 137,
"extension_convs_used": 0,
"conversation_token_lengths": [
604,
1667,
1297,
1559,
1185,
1404,
3220,
866,
1267,
1462,
1107,
2136,
921,
1293,
2829,
1313,
1160,
1026,
777,
758,
1402,
1098,
1447,
1242,
1912,
1538,
1694,
948,
1455,
1686,
1609,
1260,
1308,
1077,
1060,
1752,
1691,
1215,
517,
1950,
1451,
1166,
1438,
2042,
2130,
1355,
1649,
947,
2996,
1142,
2908,
827,
1064,
1010,
947,
738,
2530,
955,
1188,
1127,
1271,
1211,
966,
1259,
1223,
1628,
953,
1592,
2166,
881,
365,
1162,
3375,
2876,
749,
982,
1072,
1113,
1338,
1122,
1191,
835,
1250,
1111,
1331,
1586,
1443,
2106,
913,
698,
2806,
682,
1443,
1715,
1987,
1243,
683,
1396,
1168,
1769,
1884,
1755,
857,
1055,
1077,
2896,
780,
774,
803,
1452,
1092,
1617,
808,
392,
361,
2666,
1058,
1179,
1870,
2079,
2735,
2717,
856,
1020,
880,
999,
1279,
1039,
882,
1397,
870,
750,
1783,
1067,
957,
1356,
1519
],
"warnings": []
}
嵌入/输出权重 (Embed/output weights)
部分量化版本(如 Q3_K_XL、Q4_K_L 等)采用标准量化方法,但将嵌入(embeddings)和输出权重(output weights)量化为 Q8_0,而不是默认的精度。
ARM/AVX 相关信息
llama.cpp 会在加载时自动将权重“重新打包(repack)”为交错布局(interleaved layout),以加快在 ARM 和 AVX 架构机器上的推理速度 —— 详情参见 此 PR。过去这需要专门下载 Q4_0_4_4/4_8/8_8 文件;现在这些格式早已被淘汰。在线重新打包功能目前已覆盖 Q4_0、IQ4_NL 以及大多数 K-quants,因此进行 CPU 推理时无需专门挑选特定量化版本。
我应该选择哪个文件?
Artefact2 在此处提供了一篇较早(2024 年初)但仍然非常有用的文章,其中包含对比各量化版本性能的图表。
首先需要明确的是你能运行多大的模型。为此,你需要确定自己拥有多少内存(RAM)和/或显存(VRAM)。
如果你希望模型以最快速度运行,你需要将整个模型装入 GPU 的显存(VRAM)中。建议选择文件大小比 GPU 总显存小 1-2GB 的量化版本。
如果你追求绝对的最高质量,可以将系统内存(RAM)和 GPU 显存(VRAM)相加,同样选择比该总和容量小 1-2GB 的量化版本。
Hugging Face 也可以帮你计算:在你的本地应用设置 (Local Apps settings)中添加你的硬件配置,模型页面就会显示适合你的文件。
接下来,你需要决定使用“I-quant”还是“K-quant”。
如果你不想考虑太多,直接选择 K-quants 即可。它们的格式为“QX_K_X”,例如 Q5_K_M。
如果你想深入了解更多细节,可以查看这个非常有用的功能对照表:
llama.cpp 特性矩阵 (Feature matrix)
简单来说,如果你的目标是 Q4 以下的量化级别,并且运行在 cuBLAS (Nvidia) 或 rocBLAS (AMD) 上,建议考虑 I-quants。它们的格式为 IQX_X,例如 IQ3_M。这些是较新的量化方法,在相同大小下提供了更好的性能与质量。
这些 I-quants 也可以在 CPU 上使用,但速度会比对应的 K-quant 慢,因此你需要在速度与质量之间权衡取舍。
致谢 (Credits)
感谢 kalomaze 和 Dampf 协助创建 imatrix 校准数据集。
感谢 ZeroWw 为实验 embed/output 提供的灵感。
想要支持我的工作?欢迎访问我的 ko-fi 页面:https://ko-fi.com/bartowski