google_gemma-4-26B-A4B-it-GGUF:用户可在llama.cpp、LM Studio等工具中运行文本生成任务。该项目是google/gemma-4-26B-A4B-it模型的量化版本，提供多种量化类型，支持在线重打包以提升ARM和AVX设备性能。【此简介由AI生成】

gemma-4-26B-A4B-it（由 google 发布）的 Llamacpp imatrix 量化版本

使用 llama.cpp 版本 b8746 进行量化。

原始模型：https://huggingface.co/google/gemma-4-26B-A4B-it

所有量化版本均使用 imatrix 选项，并采用此处提供的数据集制作。

可在以下任意工具中运行：

注意：如果是新支持的模型，您可能需要等待开发者发布更新。

提示词格式

<bos><|turn>system
{system_prompt}<turn|>
<|turn>user
{prompt}<turn|>
<|turn>model
<|channel>thought
<channel|>

新增内容：

最新修复和聊天模板

从下方下载单个文件（非整个分支）：

文件名	量化类型	文件大小	拆分	说明
gemma-4-26B-A4B-it-bf16.gguf	bf16	50.51GB	true	完整 BF16 权重。
gemma-4-26B-A4B-it-Q8_0.gguf	Q8_0	26.86GB	false	极高质量，通常无需使用，但为最大可用量化版本。
gemma-4-26B-A4B-it-Q6_K_L.gguf	Q6_K_L	23.04GB	false	嵌入和输出权重使用 Q8_0。非常高质量，接近完美，推荐。
gemma-4-26B-A4B-it-Q6_K.gguf	Q6_K	22.86GB	false	非常高质量，接近完美，推荐。
gemma-4-26B-A4B-it-Q5_K_L.gguf	Q5_K_L	19.50GB	false	嵌入和输出权重使用 Q8_0。高质量，推荐。
gemma-4-26B-A4B-it-Q5_K_M.gguf	Q5_K_M	19.32GB	false	高质量，推荐。
gemma-4-26B-A4B-it-Q5_K_S.gguf	Q5_K_S	18.13GB	false	高质量，推荐。
gemma-4-26B-A4B-it-Q4_K_L.gguf	Q4_K_L	17.21GB	false	嵌入和输出权重使用 Q8_0。良好质量，推荐。
gemma-4-26B-A4B-it-Q4_K_M.gguf	Q4_K_M	17.04GB	false	良好质量，大多数使用场景的默认大小，推荐。
gemma-4-26B-A4B-it-Q4_1.gguf	Q4_1	16.14GB	false	旧版格式，性能与 Q4_K_S 相近，但在 Apple 芯片上每瓦令牌数有所提升。
gemma-4-26B-A4B-it-Q4_K_S.gguf	Q4_K_S	15.84GB	false	质量略低但节省更多空间，推荐。
gemma-4-26B-A4B-it-Q4_0.gguf	Q4_0	14.76GB	false	旧版格式，支持 ARM 和 AVX CPU 推理的在线重新打包。
gemma-4-26B-A4B-it-IQ4_NL.gguf	IQ4_NL	14.70GB	false	与 IQ4_XS 类似，但略大。支持 ARM CPU 推理的在线重新打包。
gemma-4-26B-A4B-it-IQ4_XS.gguf	IQ4_XS	14.21GB	false	质量尚可，比 Q4_K_S 更小且性能相近，推荐。
gemma-4-26B-A4B-it-Q3_K_XL.gguf	Q3_K_XL	13.38GB	false	嵌入和输出权重使用 Q8_0。质量较低但可用，适用于内存较低的情况。
gemma-4-26B-A4B-it-IQ3_M.gguf	IQ3_M	13.28GB	false	中低质量，新方法，性能与 Q3_K_M 相当。
gemma-4-26B-A4B-it-Q3_K_L.gguf	Q3_K_L	13.20GB	false	质量较低但可用，适用于内存较低的情况。
gemma-4-26B-A4B-it-Q3_K_M.gguf	Q3_K_M	13.02GB	false	低质量。
gemma-4-26B-A4B-it-Q3_K_S.gguf	Q3_K_S	12.55GB	false	低质量，不推荐。
gemma-4-26B-A4B-it-IQ3_XS.gguf	IQ3_XS	12.44GB	false	较低质量，新方法，性能尚可，略优于 Q3_K_S。
gemma-4-26B-A4B-it-IQ3_XXS.gguf	IQ3_XXS	12.16GB	false	较低质量，新方法，性能尚可，与 Q3 量化版本相当。
gemma-4-26B-A4B-it-Q2_K_L.gguf	Q2_K_L	11.13GB	false	嵌入和输出权重使用 Q8_0。质量非常低，但出人意料地可用。
gemma-4-26B-A4B-it-Q2_K.gguf	Q2_K	10.95GB	false	质量非常低，但出人意料地可用。
gemma-4-26B-A4B-it-IQ2_M.gguf	IQ2_M	10.70GB	false	质量相对较低，采用 SOTA 技术，出人意料地可用。
gemma-4-26B-A4B-it-IQ2_S.gguf	IQ2_S	10.23GB	false	低质量，采用 SOTA 技术，可使用。
gemma-4-26B-A4B-it-IQ2_XS.gguf	IQ2_XS	10.13GB	false	低质量，采用 SOTA 技术，可使用。
gemma-4-26B-A4B-it-IQ2_XXS.gguf	IQ2_XXS	9.66GB	false	质量极低，采用 SOTA 技术，可使用。

嵌入/输出权重

部分量化版本（如 Q3_K_XL、Q4_K_L 等）采用标准量化方法，其中嵌入权重和输出权重被量化为 Q8_0，而非其通常默认的量化方式。

使用 huggingface-cli 下载

点击查看下载说明

首先，请确保已安装 hugginface-cli：

pip install -U "huggingface_hub[cli]"

然后，您可以定位到您想要的特定文件：

huggingface-cli download bartowski/google_gemma-4-26B-A4B-it-GGUF --include "google_gemma-4-26B-A4B-it-Q4_K_M.gguf" --local-dir ./

如果模型大于 50GB，它将被分割成多个文件。要将所有文件下载到本地文件夹，请运行：

huggingface-cli download bartowski/google_gemma-4-26B-A4B-it-GGUF --include "google_gemma-4-26B-A4B-it-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录（google_gemma-4-26B-A4B-it-Q8_0），也可以将所有文件下载到当前位置（./）。

ARM/AVX 信息

以前，你需要下载 Q4_0_4_4/4_8/8_8 版本，这些版本的权重在内存中交错排列，目的是通过一次加载更多数据来提升 ARM 和 AVX 机器的性能。

然而现在，有一种名为“在线重打包”的权重处理方式。详情参见此 PR。如果你使用 Q4_0 版本，且你的硬件能从权重重打包中获益，程序会自动实时进行重打包。

从 llama.cpp 的 b4282 版本开始，你将无法运行 Q4_0_X_X 文件，而需要使用 Q4_0 版本。

此外，如果你希望获得 slightly better quality for ，你可以使用 IQ4_NL，这得益于此 PR，它也会为 ARM 重打包权重，不过目前仅支持 4_4 模式。加载时间可能会变慢，但总体速度会有所提升。

点击查看 Q4_0_X_X 信息（已弃用）

我保留此部分是为了展示使用带有在线重打包功能的 Q4_0 可能带来的理论性能提升。

点击查看 AVX2 系统（EPYC7702）上的基准测试

模型	大小	参数	后端	线程数	测试	t/s	%（对比 Q4_0）
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	pp512	204.03 ± 1.03	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	pp1024	282.92 ± 0.19	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	pp2048	259.49 ± 0.44	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	tg128	39.12 ± 0.27	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	tg256	39.31 ± 0.69	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	tg512	40.52 ± 0.03	100%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	pp512	301.02 ± 1.74	147%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	pp1024	287.23 ± 0.20	101%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	pp2048	262.77 ± 1.81	101%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	tg128	18.80 ± 0.99	48%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	tg256	24.46 ± 3.04	83%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	tg512	36.32 ± 3.59	90%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	pp512	271.71 ± 3.53	133%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	pp1024	279.86 ± 45.63	100%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	pp2048	320.77 ± 5.00	124%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	tg128	43.51 ± 0.05	111%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	tg256	43.35 ± 0.09	110%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	tg512	42.60 ± 0.31	105%

Q4_0_8_8 版本对提示处理性能有显著提升，对文本生成性能有小幅提升。

我应该选择哪个文件？

点击查看详情

Artefact2 提供了一篇包含各种性能图表的精彩文章，链接在此：https://gist.github.com/Artefact2/b5f810600771265fc1e39442288e8ec9

首先要弄清楚的是，你能运行多大的模型。要做到这一点，你需要知道自己有多少 RAM 和/或 VRAM。

如果你希望模型运行得尽可能快，那么你需要将整个模型都放入 GPU 的 VRAM 中。目标是选择文件大小比你的 GPU 总 VRAM 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 RAM 和 GPU 的 VRAM 加起来，然后同样选择文件大小比这个总和小 1-2GB 的量化版本。

接下来，你需要决定是使用“I-quant”还是“K-quant”。

如果你不想考虑太多，就选择 K-quant 中的一种。这些量化版本的格式为“QX_K_X”，例如 Q5_K_M。

如果你想深入了解，可以查看这个非常有用的功能图表：

llama.cpp 功能矩阵

但基本上，如果你目标是 Q4 以下，并且运行的是 cuBLAS（Nvidia）或 rocBLAS（AMD），你应该考虑 I-quants。这些量化版本的格式为 IQX_X，例如 IQ3_M。它们是较新的版本，在相同大小下提供了更好的性能。

这些 I-quants 也可以在 CPU 上使用，但会比对应的 K-quant 版本慢，因此速度和性能之间的权衡需要你自己决定。

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 为嵌入/输出实验提供的灵感。

感谢 LM Studio 对我工作的赞助。

想要支持我的工作？请访问我的 ko-fi 页面：https://ko-fi.com/bartowski