llama.cpp 是 Ollama、LMStudio 和其他很多热门项目的底层实现，也是 GPUStack 所支持的推理引擎之一，它提供了 GGUF 模型文件格式。GGUF (General Gaussian U-Net Format) 是一种用于存储模型以进行推理的文件格式，旨在针对推理进行优化，可以快速加载和运行模型。
llama.cpp 还支持量化模型，在保持较高的模型精度的同时，减少模型的存储和计算需求，使大模型能够在桌面端、嵌入式设备和资源受限的环境中高效部署，并提高推理速度。
今天带来一篇介绍如何制作并量化 GGUF 模型，将模型上传到 HuggingFace 和 ModelScope 模型仓库的操作教程。
注册与配置 HuggingFace 和 ModelScope
- 注册 HuggingFace
访问 https://huggingface.co/join 注册 HuggingFace 账号（需要某上网条件）
- 配置 HuggingFace SSH 公钥
将本地环境的 SSH 公钥添加到 HuggingFace，查看本地环境的 SSH 公钥（如果没有可以用 ssh-keygen -t rsa -b 4096 命令生成）：
cat ~/.ssh/id_rsa.pub 在 HuggingFace 的右上角点击头像，选择 Settings - SSH and GPG Keys，添加上面的公钥，用于后面上传模型时的认证。
- 注册 ModelScope
访问 https://www.modelscope.cn/register?back=%2Fhome 注册 ModelScope 账号
- 获取 ModelScope Token
访问 https://www.modelscope.cn/my/myaccesstoken，将 Git 访问令牌复制保存，用于后面上传模型时的认证。
准备 llama.cpp 环境
创建并激活 Conda 环境（没有安装的参考 Miniconda 安装：https://docs.anaconda.com/miniconda/）：
conda create -n llama-cpp python=3.12 -y conda activate llama-cpp which python pip -V 克隆 llama.cpp 的最新分支代码，编译量化所需的二进制文件：
cd ~ git clone -b b4034 https://github.com/ggerganov/llama.cpp.git cd llama.cpp/ pip install -r requirements.txt brew install cmake make
编译完成后，可以运行以下命令确认量化所需要的二进制文件 llama-quantize 是否可用：
./llama-quantize --help
下载原始模型
下载需要转换为 GGUF 格式并量化的原始模型。
从 HuggingFace 下载模型，通过 HuggingFace 提供的 huggingface-cli 命令下载，首先安装依赖：
pip install -U huggingface_hub 国内网络配置下载镜像源：
export HF_ENDPOINT=https://hf-mirror.com 这里下载 meta-llama/Llama-3.2-3B-Instruct 模型，该模型是 Gated model，需要在 HuggingFace 填写申请并确认获得访问授权：
在 HuggingFace 的右上角点击头像，选择 Access Tokens，创建一个 Read 权限的 Token，保存下来：
下载 meta-llama/Llama-3.2-3B-Instruct 模型，--local-dir 指定保存到当前目录，--token 指定上面创建的访问 Token：
mkdir ~/huggingface.co cd ~/huggingface.co/ huggingface-cli download meta-llama/Llama-3.2-3B-Instruct --local-dir Llama-3.2-3B-Instruct --token hf_abcdefghijklmnopqrstuvwxyz 转换为 GGUF 格式与量化模型
创建 GGUF 格式与量化模型的脚本：
cd ~/huggingface.co/ vim quantize.sh 填入以下脚本内容，并把 llama.cpp 和 huggingface.co 的目录路径修改为当前环境的实际路径，需要为绝对路径，将 d 变量中的 gpustack 修改为 HuggingFace 用户名：
#!/usr/bin/env bash llama_cpp="/Users/gpustack/llama.cpp" b="/Users/gpustack/huggingface.co" export PATH="$PATH:${llama_cpp}" s="$1" n="$(echo "${s}" | cut -d'/' -f2)" d="gpustack/${n}-GGUF" # prepare mkdir -p ${b}/${d} 1>/dev/null 2>&1 pushd ${b}/${d} 1>/dev/null 2>&1 git init . 1>/dev/null 2>&1 if [[ ! -f .gitattributes ]]; then cp -f ${b}/${s}/.gitattributes . 1>/dev/null 2>&1 || true echo "*.gguf filter=lfs diff=lfs merge=lfs -text" >> .gitattributes fi if [[ ! -d assets ]]; then cp -rf ${b}/${s}/assets . 1>/dev/null 2>&1 || true fi if [[ ! -d images ]]; then cp -rf ${b}/${s}/images . 1>/dev/null 2>&1 || true fi if [[ ! -d imgs ]]; then cp -rf ${b}/${s}/imgs . 1>/dev/null 2>&1 || true fi if [[ ! -f README.md ]]; then cp -f ${b}/${s}/README.md . 1>/dev/null 2>&1 || true fi set -e pushd ${llama_cpp} 1>/dev/null 2>&1 # convert [[ -f venv/bin/activate ]] && source venv/bin/activate echo "#### convert_hf_to_gguf.py ${b}/${s} --outfile ${b}/${d}/${n}-FP16.gguf" python3 convert_hf_to_gguf.py ${b}/${s} --outfile ${b}/${d}/${n}-FP16.gguf # quantize qs=( "Q8_0" "Q6_K" "Q5_K_M" "Q5_0" "Q4_K_M" "Q4_0" "Q3_K" "Q2_K" ) for q in "${qs[@]}"; do echo "#### llama-quantize ${b}/${d}/${n}-FP16.gguf ${b}/${d}/${n}-${q}.gguf ${q}" llama-quantize ${b}/${d}/${n}-FP16.gguf ${b}/${d}/${n}-${q}.gguf ${q} ls -lth ${b}/${d} sleep 3 done popd 1>/dev/null 2>&1 set +e 开始将模型转换为 FP16 精度的 GGUF 模型，并分别用 Q8_0、Q6_K、Q5_K_M、Q5_0、Q4_K_M、Q4_0、Q3_K、Q2_K 方法来量化模型：
bash quantize.sh Llama-3.2-3B-Instruct 脚本执行完后，确认成功转换为 FP16 精度的 GGUF 模型和量化后的 GGUF 模型：
模型被存储在对应用户名的目录下：
ll gpustack/Llama-3.2-3B-Instruct-GGUF/
上传模型到 HuggingFace
在 HuggingFace 右上角点击头像，选择 New Model 创建同名的模型仓库，格式为 原始模型名-GGUF：
更新模型的 README：
cd ~/huggingface.co/gpustack/Llama-3.2-3B-Instruct-GGUF vim README.md 为了维护性，在开头的元数据之后，记录原始模型和 llama.cpp 的分支代码 Commit 信息，注意按照原始模型的信息和llama.cpp 的分支代码 Commit 信息更改：
# Llama-3.2-3B-Instruct-GGUF **Model creator**: [meta-llama](https://huggingface.co/meta-llama)<br/> **Original model**: [Llama-3.2-3B-Instruct](https://huggingface.co/meta-llama/Llama-3.2-3B-Instruct)<br/> **GGUF quantization**: based on llama.cpp release [b8deef0e](https://github.com/ggerganov/llama.cpp/commit/b8deef0ec0af5febac1d2cfd9119ff330ed0b762) ---
准备上传，安装 Git LFS 用于管理大文件的上传：
brew install git-lfs 添加远程仓库：
git remote add origin git@hf.co:gpustack/Llama-3.2-3B-Instruct-GGUF 添加文件，并通过 git ls-files 确认提交的文件， git lfs ls-files 确认所有 .gguf 文件被 Git LFS 管理上传：
git add . git ls-files git lfs ls-files
上传超过 5GB 大小的文件到 HuggingFace 需开启大文件上传，在命令行登录 HuggingFace，输入上面下载模型章节创建的 Token：
huggingface-cli login 为当前目录开启大文件上传：
huggingface-cli lfs-enable-largefiles .
将模型上传到 HuggingFace 仓库：
git commit -m "feat: first commit" --signoff git push origin main -f 上传完成后，在 HuggingFace 确认模型文件成功上传。
上传模型到 ModelScope
在 ModelScope 右上角点击头像，选择 创建模型 创建同名的模型仓库，格式为 原始模型名-GGUF，并填写 License、模型类型、AI 框架、是否公开模型等其他配置：
上传本地仓库的 README.md 文件并创建：
添加远程仓库，需要使用本文最开始获得的 ModelScope Git 访问令牌提供上传模型时的认证：
git remote add modelscope https://oauth2:xxxxxxxxxxxxxxxxxxxx@www.modelscope.cn/gpustack/Llama-3.2-3B-Instruct-GGUF.git 获取远端仓库已存在的文件：
git fetch modelscope master 由于 ModelScope 使用 master 分支而非 main 分支，需要切换到 master 分支并通过 cherry-pick 将main 下的文件移到 master 分支，先查看并记下当前的 Commit ID：
git log
切换到 master 分支，并通过 main 分支的 Commit ID 将main 分支下的文件移到 master 分支：
git checkout FETCH_HEAD -b master git cherry-pick -n 833fb20e5b07231e66c677180f95e27376eb25c6 修改冲突文件，解决冲突（可以用原始模型的 .gitattributes 合并 *.gguf filter=lfs diff=lfs merge=lfs -text，参考 quantize.sh 脚本相关逻辑 ）：
vim .gitattributes 添加文件，并通过 git ls-files 确认提交的文件， git lfs ls-files 确认所有 .gguf 文件被 Git LFS 管理上传：
git add . git ls-files git lfs ls-files 将模型上传到 ModelScope 仓库：
git commit -m "feat: first commit" --signoff git push modelscope master -f 上传完成后，在 ModelScope 确认模型文件成功上传。
总结
以上为使用 llama.cpp 制作并量化 GGUF 模型，并将模型上传到 HuggingFace 和 ModelScope 模型仓库的操作教程。
llama.cpp 的灵活性和高效性使得其成为资源有限场景下模型推理的理想选择，应用十分广泛，GGUF 是 llama.cpp 运行模型所需的模型文件格式，希望以上教程能对如何管理 GGUF 模型文件有所帮助。
如果觉得写得不错，欢迎点赞、转发、关注。
