這是通過REAP方法對MiniMax-M2均勻裁剪25%的專家得到的172B參數大語言模型，專門針對llama.cpp進行了優化量化處理，支持多種量化級別，可在LM Studio或基於llama.cpp的項目中運行。

自然語言處理Gguf英語

這是一個基於REAP方法對MiniMax-M2中40%專家進行均勻剪枝得到的139B參數大語言模型，採用GLM架構和專家混合(MoE)技術，通過llama.cpp進行多種量化處理，適用於文本生成任務。

自然語言處理Gguf英語

本項目提供了cerebras/MiniMax-M2-REAP-172B-A10B模型的量化版本，致力於讓知識為大眾所用。這是一個1720億參數的大型語言模型，經過優化和量化處理，旨在降低部署成本和提高推理效率。

自然語言處理Gguf

MiniMax-M2-REAP-162B-A10B是MiniMax-M2的高效壓縮版本，採用REAP（路由加權專家激活剪枝）方法，在保持性能幾乎不變的情況下將模型大小減少30%，從230B參數壓縮到162B參數，顯著降低了內存需求。

自然語言處理Transformers英語

MiniMax-M2-REAP-172B-A10B是MiniMax-M2的內存高效壓縮變體，採用REAP專家剪枝方法，在保持性能幾乎不變的情況下，模型大小減輕了25%，從230B參數壓縮至172B參數。

自然語言處理Transformers英語

這是GLM-4.5-Air-REAP-82B-A12B模型的MXFP4_MOE量化版本，專門針對文本生成任務進行了優化。該模型基於cerebras的GLM-4.5-Air-REAP-82B-A12B基礎模型，通過MXFP4混合專家量化技術實現，在保持性能的同時顯著減小模型體積和推理成本。

自然語言處理Gguf

該模型是cerebras/Qwen3-Coder-REAP-25B-A3B的GGUF格式轉換版本，使用llama.cpp工具進行格式轉換和量化處理。原始模型是一個25B參數的大語言模型，專門針對代碼生成任務進行優化。

自然語言處理Transformers英語

這是Cerebras公司Qwen3-Coder-REAP-25B-A3B模型的量化版本，使用llama.cpp的imatrix技術進行量化處理，能夠在減少模型存儲空間和計算資源需求的同時保持模型性能。

自然語言處理Gguf

GLM-4.5-Air-REAP-82B-A12B 是 GLM-4.5-Air 的高效壓縮版本，通過 REAP 剪枝技術將參數規模從 106B 壓縮到 82B，減少 25% 內存需求，同時保持近乎無損的性能表現。

自然語言處理Transformers英語

基於Meta的Llama-2-7B模型，使用UltraChat 200k數據集進行聊天任務微調的語言模型。該模型由Neural Magic和Cerebras聯合開發，支持高效的稀疏遷移和推理加速。

自然語言處理Transformers

基於Cerebras-GPT-6.7B微調的網絡安全專用模型，具備基礎對話能力

自然語言處理Transformers英語

BTLM-3B-8k-chat是基於BTLM-3B-8K-base開發的對話版本，採用DPO方法優化，專為符合人類偏好的對話場景設計。

自然語言處理Transformers英語

BTLM-3B-8k-base是一個具有8k上下文長度的30億參數語言模型，基於6270億token的SlimPajama數據集訓練而成，性能可媲美開源70億參數模型。

自然語言處理Transformers英語

Cerebras-GPT 13B 是一個基於開放架構和數據集訓練的大語言模型，屬於Cerebras-GPT系列，旨在研究大語言模型的縮放定律並展示在Cerebras軟硬件棧上的訓練簡易性和可擴展性。

自然語言處理Transformers英語

Cerebras-GPT 2.7B 是基於 Transformer 架構的語言模型，旨在助力大語言模型的研究，可作為自然語言處理等領域的基礎模型。

自然語言處理Transformers英語

Cerebras-GPT 590M是基於Transformer架構的語言模型，屬於Cerebras-GPT模型家族，旨在研究大語言模型擴展規律並展示在Cerebras軟硬件棧上訓練大語言模型的簡便性和可擴展性。

自然語言處理Transformers英語

Cerebras-GPT系列中的111M參數模型，採用GPT-3風格架構，使用The Pile數據集訓練，遵循Chinchilla擴展定律實現計算最優。

自然語言處理Transformers英語