Przeglądaj Narzędzia Top 100
GGUF PTH
Konwersja plików

Konwertuj GGUF na PTH

Zweryfikowano przez Adam B.· sprawdzone przez FE Editorial ·zaktualizowano Jul 14, 2026
SZYBKA ODPOWIEDŹ
Czy możliwa jest konwersja GGUF na PTH?
Tak - GGUF konwertuje się na PTH.

Użyj skryptu Python opartego na bibliotece gguf (klasa GGUFReader i funkcja dequantize()), aby odczytać każdy tensor, rzutować go na F32/F16, zmapować nazwy na oryginalne klucze PyTorch i wywołać torch.save(). Haczyk: GGUF, który został skwantyzowany (Q4, Q5 itd.), nigdy nie odzyskuje utraconej precyzji, więc wynikowe wagi są dekwantyzowanymi przybliżeniami, a nie oryginalnym modelem.

Na tej stronie

Testowane na macOS, Windows i Linux
Ostatnia weryfikacja Sep 2026

Więcej darmowych konwerterów

HEIC, PNG, WEBP, MP3 i inne - każde narzędzie tutaj jest darmowe.

Otwórz przybornik

Dlaczego konwertować GGUF na PTH?

Ludzie konwertują .gguf na .pth, gdy chcą dostroić (fine-tune) lub ponownie skwantyzować model w ekosystemie PyTorch, a posiadają jedynie kompilację GGUF. GGUF przechowuje metadane (jak konfiguracja) oraz dane tensorów (jak słownik stanów), więc zmapowanie go z powrotem na słownik stanów PyTorch jest możliwe dla obsługiwanych architektur. Jest to ścieżka odzyskiwania danych, a nie proces bezstratny.

Jak przekonwertować GGUF na PTH

Biblioteka gguf Python + PyTorch OPEN-SOURCE

Zainstaluj gguf oraz torch, a następnie wykonaj pętlę po GGUFReader(path).tensors, uruchom gguf.quants.dequantize() na każdym z nich i wykonaj torch.save(state_dict, „model.pth”). Musisz zmapować nazwy tensorów GGUF z powrotem na oryginalne klucze modelu.

gguf_to_safetensors, a następnie konwersja OPEN-SOURCE

Uruchom gguf_to_safetensors, aby zdekwantyzować dane do pliku .safetensors, a następnie załaduj go za pomocą safetensors.torch.load_file i zapisz ponownie przez torch.save(), aby uzyskać .pth.

Narzędzia odwrotne llama.cpp FREE

Czytnik gguf w llama.cpp udostępnia tensory; napisz skrypt dla kroku dekwantyzacji i zapisz słownik stanów PyTorch. Tylko architektury w pełni obsługiwane przez llama.cpp przejdą ten proces poprawnie.

O tych formatach

.GGUF GGML Universal Format File

Plik .gguf to plik formatu GGML Universal Format, binarny kontener używany przez llama.cpp i powiązane narzędzia do przechowywania dużych modeli językowych w pojedynczym pliku. Zawiera on…

Otwórz szczegóły .GGUF →
.PTH Python Path Configuration File

Plik .pth to najczęściej plik konfiguracyjny ścieżki Python - mały plik tekstowy, który informuje Python, jakie dodatkowe katalogi dodać do ścieżki wyszukiwania modułów podczas…

Otwórz szczegóły .PTH →

Jakość i na co uważać

  • Skwantyzowane wagi GGUF są stratne - dekwantyzacja daje przybliżenie, nigdy oryginalne wartości FP16/FP32.
  • Mapowanie nazw tensorów jest specyficzne dla architektury; nieobsługiwane modele nie zostaną zmapowane i konwersja się nie powiedzie.
  • Wynikowy .pth to surowy słownik stanów bez klasy modelu, więc nadal potrzebujesz pasującego kodu modelu PyTorch, aby go załadować.

Najczęściej zadawane pytania

Czy mogę odzyskać dokładnie oryginalny model?
Nie, jeśli GGUF był skwantyzowany. Dekwantyzacja rekonstruuje tensory o pełnej precyzji z danych stratnych, więc pozostają niewielkie różnice numeryczne.
Czy potrzebuję GPU?
Nie. Odczytywanie i dekwantyzacja tensorów odbywa się na CPU; GPU pomaga tylko wtedy, gdy będziesz później używać modelu.
Dlaczego moja konwersja generuje błędne nazwy tensorów?
Mapowanie nazw odbywa się dla konkretnej architektury. Jeśli modelu nie ma w tabeli mapowania skryptu, klucze nie będą pasować do PyTorch i ładowanie się nie powiedzie.
Co jest lepsze, .pth czy .safetensors?
.safetensors jest bezpieczniejszy do udostępniania (brak wykonywania kodu pickle) i ładuje się szybciej, ale .pth jest natywnym formatem słownika stanów PyTorch do trenowania.