NVIDIA-Nemotron-3.5-Bolt-74B-A9B-GGUF 完全入门24GB级本地视觉Agent大模型是什么、能做什么想在只有 24GB 内存/显存的电脑上本地跑一个能看图、看视频、还能自己调工具的「视觉 Agent」大模型NVIDIA-Nemotron-3.5-Bolt-74B-A9B-GGUF 就是为此而生——它是 NVIDIA Nemotron 3.5 Bolt 74B-A9B 视觉语言模型VLM的 GGUF 量化合集由 Unsloth 整理覆盖从 1-bit 到 BF16 全精度共 20 余个文件配合 llama.cpp 即可在本地运行。下文带你快速搞懂它是什么、有哪些版本、以及怎么用。一、这是什么一句话看懂NVIDIA Nemotron 3.5 Bolt 74B-A9B是 NVIDIA 开源的「开放权重」模型家族成员定位是本地运行日常 Agent 任务的视觉-语言模型。仓库里放的则是它的 GGUF 格式量化权重README.md 为完整说明。几个关键设定维度说明参数规模总参数 74B每步实际激活约 9BMoE 稀疏架构Mamba-2 Transformer 混合 LatentMoE搭配 C-RADIO v4-H 视觉编码器上下文最高 256K tokens输入文本、图片、视频mp4最长 2 分钟输出文本支持 JSON、思维链推理、工具调用推理模式通过enable_thinkingTrue/False开关控制推荐采样temperature 1.0、top_p 0.95授权OpenMDW-1.1可商用 通俗理解它像一个「聪明但省内存的实习生」——总参数很大但每次只激活一小部分所以速度比同内存档位的密集模型快、又比同内存档位的普通 MoE 更聪明。二、为什么强调「24GB 级」官方专门提到24GB 版本采用原生 2-bit 量化目标是让模型装进 24GB 内存、还能和其他应用并存在速度与智力之间取得平衡。也就是说这个仓库里最核心的几档2-bit 量化IQ2 系列就是面向 24GB 内存/显存设备的「甜点档」。这也是标题里「24GB级」的由来。三、仓库里有哪些文件GGUF 版本速查所有权重都是 Git LFS 大文件。下表按「量化精度 / 单文件体积」整理方便你按硬件对号入座量化档位对应文件体积约UD-IQ1_S1-bitNVIDIA-...-UD-IQ1_S.gguf17.2 GBUD-IQ1_M1-bitNVIDIA-...-UD-IQ1_M.gguf18.9 GBIQ2_XXS2-bitNVIDIA-...-IQ2_XXS.gguf20.5 GBUD-IQ2_XXS2-bitNVIDIA-...-UD-IQ2_XXS.gguf20.5 GBUD-IQ2_M2-bitNVIDIA-...-UD-IQ2_M.gguf22.9 GBUD-Q2_K_XLNVIDIA-...-UD-Q2_K_XL.gguf26.8 GBUD-IQ3_XXSNVIDIA-...-UD-IQ3_XXS.gguf29.4 GBUD-Q3_K_XLNVIDIA-...-UD-Q3_K_XL.gguf36.4 GBUD-Q4_K_XL3 分片UD-Q4_K_XL/46.8 GBUD-Q5_K_XL3 分片UD-Q5_K_XL/54.9 GBUD-Q6_K_XL3 分片UD-Q6_K_XL/67.4 GBQ8_03 分片Q8_0/73.4 GBBF16 全精度4 分片BF16/138 GB 说明UD-前缀代表 Unsloth 的 Dynamic 3.0 量化方案在同位宽下通常精度更好。多分片版本如 Q4_K_XL的第一片仅为约 8MB 的「头文件」真正权重在后面几个分片里。两个功能文件同样重要mmproj-BF16.gguf约 1.6GB视觉/多模态投影器。想输入图片、视频必须带上它。dflash-NVIDIA-Nemotron-3.5-Bolt-74B-A9B-NVFP4.gguf约 1GB投机解码DFlash草稿模型用于加速推理官方 vLLM 方案默认 7 个投机 token。四、怎么选量化版本按内存/显存匹配选版原则权重体积 上下文缓存 ≤ 你的可用内存留一点余量给系统和 KV cache。参考档位你的设备推荐版本体验16GB 内存UD-IQ1_S / UD-IQ1_M能跑上下文需调小24GB甜点IQ2_XXS / UD-IQ2_XXS / UD-IQ2_M官方目标档速度/智力均衡32GBUD-Q2_K_XL / UD-IQ3_XXS精度更好48GBUD-Q3_K_XL / UD-Q4_K_XL日常够用64GBUD-Q5_K_XL / UD-Q6_K_XL高质量80GB 单卡Q8_0接近无损160GB/双卡BF16微调、后训练用⚠️ BF16/ 全精度权重主要用于自定义与后训练SFT、RL、蒸馏、产出量化版并非为直接生产推理设计。想纯跑推理优先选上面的量化档。五、能做什么本地视觉 Agent 的典型场景它面向的是「日常 Agent 任务」结合视觉输入 工具调用常见玩法️看图/看视频问答截一张图表或界面直接问问题、读数、定位元素GUI grounding。文档/图表理解PDF、表格、图表 OCR 与多页文档推理。网页/终端操作配合浏览器、终端环境做多轮工具交互BrowseComp、WebArena 表现突出。️MCP 工具调用通过 MCP-Server 完成多步任务是它的强化方向之一。编码辅助代码理解与补全支持代码语言为主的训练数据。六、性能如何小体积、大表现官方在 README.md 中给出基准对比。可以看到24GBIQ2版本在多数 Agent / 视觉 / 推理基准上跑赢更重的模型基准Qwen3.6-35BGemma4 26BNemotron 3.5 Lightning 30BBolt 74B 24GB(IQ2)Terminal-Bench 2.144.3837.2223.4650.98GPQA Diamond83.4079.6175.5786.43SciCode35.3340.2831.3841.02BrowseComp48.7426.3036.8166.75WebArena(vision)36.6038.2—50.86GDPVal-AA-V225.7515.3318.2628.47一句话总结更小的体积换来可比的 Agent 与视觉能力。七、快速上手下载与运行1. 克隆仓库git clone https://gitcode.com/hf_mirrors/unsloth/NVIDIA-Nemotron-3.5-Bolt-74B-A9B-GGUF权重体积大建议用git lfs pull按需拉取或只下载你需要的量化分片。2. 用 llama.cpp 跑起来# 以 24GB 甜点档为例按需替换为你的量化文件 ./llama-server -m NVIDIA-Nemotron-3.5-Bolt-74B-A9B-UD-IQ2_M.gguf \ --mmproj mmproj-BF16.gguf \ -ngl 99 -c 8192--mmproj mmproj-BF16.gguf启用图片/视频输入视觉功能必加。-ngl 99把层数尽量放 GPU纯 CPU 可去掉。-c 8192上下文长度按内存余量调整。3. 可选开启投机解码加速配合 DFlash 草稿模型可提速参数名以你所用 llama.cpp 版本的说明为准官方 vLLM 方案默认使用 7 个投机 token。八、常见问题FAQQ为什么 BF16 有 4 个文件量化有的 3 个、有的 1 个A单文件超过约 50GB 会拆成分片shard00001-of-00004这类是序号。低量化档能塞进单文件就只有一个。Q输入视频有限制吗A支持 mp4最长 2 分钟1080p 按约 1 FPS / 128 帧采样720p 等低分辨率可提高到 2 FPS / 256 帧。Q支持哪些语言A以英文和代码为主同时支持西班牙语、法语、德语、意大利语、日语等。Q可以商用吗A可以。采用 OpenMDW-1.1 许可允许商用与非商用。Q想让回答「先思考再回答」怎么开A通过聊天模板的enable_thinking参数控制True/False采样推荐 temperature 1.0、top_p 0.95。小结NVIDIA-Nemotron-3.5-Bolt-74B-A9B-GGUF 把「24GB 就能跑」的视觉 Agent 大模型拆成了 20 余档 GGUF 量化从 1-bit 到 BF16 全精度可选。按你的内存选对应档位、加上mmproj投影器配合 llama.cpp 即可在本地跑起一个能看图、看视频、调工具的 Agent。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考