可用于视觉推理等多模态任务，提供多种i1-GGUF量化版本，支持不同大小与质量需求，包含imatrix文件便于自定义量化，是Vero-Qwen3I-8B模型的便捷部署方案。【此简介由AI生成】
base_model: zlab-princeton/Vero-Qwen3I-8B language:
- en library_name: transformers license: apache-2.0 mradermacher: readme_rev: 1 quantized_by: mradermacher tags:
- vero
- vision-language-model
- multimodal
- visual-reasoning
- reinforcement-learning
关于
https://huggingface.co/zlab-princeton/Vero-Qwen3I-8B 的加权/矩阵量化版本
如需便捷概览和下载列表，请访问我们的该模型专属页面。
静态量化版本可在 https://huggingface.co/mradermacher/Vero-Qwen3I-8B-GGUF 获取。
这是一个视觉模型——mmproj 文件（如有）将位于静态仓库中。
使用方法
若您不确定如何使用 GGUF 文件，请参考 TheBloke 的任一 README 以获取更多详情，包括如何拼接多部分文件。
提供的量化版本
（按大小排序，而非质量。IQ 量化版本通常优于同等大小的非 IQ 量化版本）
| 链接 | 类型 | 大小/GB | 说明 |
|---|---|---|---|
| GGUF | imatrix | 0.1 | 矩阵文件（用于创建您自己的量化版本） |
| GGUF | i1-IQ1_S | 2.2 | 适用于存储空间极度紧张的情况 |
| GGUF | i1-IQ1_M | 2.4 | 大多适用于存储空间紧张的情况 |
| GGUF | i1-IQ2_XXS | 2.6 | |
| GGUF | i1-IQ2_XS | 2.8 | |
| GGUF | i1-IQ2_S | 3.0 | |
| GGUF | i1-IQ2_M | 3.2 | |
| GGUF | i1-Q2_K_S | 3.2 | 质量极低 |
| GGUF | i1-Q2_K | 3.4 | IQ3_XXS 可能更优 |
| GGUF | i1-IQ3_XXS | 3.5 | 质量较低 |
| GGUF | i1-IQ3_XS | 3.7 | |
| GGUF | i1-Q3_K_S | 3.9 | IQ3_XS 可能更优 |
| GGUF | i1-IQ3_S | 3.9 | 优于 Q3_K* |
| GGUF | i1-IQ3_M | 4.0 | |
| GGUF | i1-Q3_K_M | 4.2 | IQ3_S 可能更优 |
| GGUF | i1-Q3_K_L | 4.5 | IQ3_M 可能更优 |
| GGUF | i1-IQ4_XS | 4.7 | |
| GGUF | i1-Q4_0 | 4.9 | 速度快，质量低 |
| GGUF | i1-IQ4_NL | 4.9 | 推荐优先选择 IQ4_XS |
| GGUF | i1-Q4_K_S | 4.9 | 尺寸/速度/质量平衡最优 |
| GGUF | i1-Q4_K_M | 5.1 | 速度快，推荐使用 |
| GGUF | i1-Q4_1 | 5.3 | |
| GGUF | i1-Q5_K_S | 5.8 | |
| GGUF | i1-Q5_K_M | 6.0 | |
| GGUF | i1-Q6_K | 6.8 | 实际效果接近静态 Q6_K |
以下是 ikawrakow 制作的对比部分低质量量化类型的便捷图表（数值越低越好）：
以下是 Artefact2 对此问题的看法： https://gist.github.com/Artefact2/b5f810600771265fc1e39442288e8ec9
常见问题 / 模型请求
有关您可能遇到的问题的解答，以及如果您希望对其他模型进行量化处理的相关信息，请参见 https://huggingface.co/mradermacher/model_requests。
致谢
感谢我的公司 nethype GmbH 允许我使用其服务器，并为我的工作站提供升级，使我能够在业余时间开展这项工作。特别感谢 @nicoboss 提供其私人超级计算机的访问权限，这让我能够提供数量更多、质量更高的 imatrix 量化版本，远超我原本的能力范围。