license: mit license_link: https://huggingface.co/microsoft/phi-2/resolve/main/LICENSE language:

• en pipeline_tag: text-generation tags:
• nlp
• code

phi-2 GGUFモデル

IQ-DynamicGateによる超低ビット量子化（1-2ビット）

最新の量子化手法では、Llama-3-8Bでベンチマーク実証済みの改善を伴う超低ビットモデル（1-2ビット）向けの精度適応型量子化を導入しています。このアプローチでは、レイヤーごとの戦略を使用して精度を維持しながら、極端なメモリ効率を実現しています。

ベンチマークコンテキスト

Llama-3-8B-Instructを使用して実施したすべてのテスト：

• 標準的なパープレキシティ評価パイプライン
• 2048トークンのコンテキストウィンドウ
• すべての量子化で同じプロンプトセットを使用

手法

• 動的精度割り当て:
  • 最初/最後の25%のレイヤー → IQ4_XS（選択されたレイヤー）
  • 中間の50% → IQ2_XXS/IQ3_S（効率向上）
• 重要コンポーネント保護:
  • 埋め込み/出力レイヤーはQ5_Kを使用
  • 標準的な1-2ビットと比べて誤差伝播を38%削減

量子化性能比較（Llama-3-8B）

キー:

• PPL = パープレキシティ（低いほど良い）
• Δ PPL = 標準からDynamicGateへの変化率
• 速度 = 推論時間（CPU avx2、2048トークンコンテキスト）
• サイズ差は混合量子化のオーバーヘッドを反映

主な改善点:

• 🔥 IQ1_Mは43.9%のパープレキシティ削減（27.46 → 15.41）
• 🚀 IQ2_Sは36.9%のパープレキシティ削減ながら僅か0.2GBの増加
• ⚡ IQ1_Sは1ビット量子化でも39.7%の精度向上を維持

トレードオフ:

• すべてのバリアントでわずかなサイズ増加（0.1-0.3GB）
• 推論速度は同等（<5%の差）

これらのモデルの使用場面

📌 GPU VRAMにモデルを収める場合

✔ メモリ制約のある展開

✔ 1-2ビットの誤差が許容できるCPUおよびエッジデバイス

✔ 超低ビット量子化の研究

適切なモデルフォーマットの選択

適切なモデルフォーマットの選択は、ハードウェア能力とメモリ制約に依存します。

BF16（Brain Float 16）– BF16アクセラレーションが利用可能な場合に使用

• 高速計算のために設計された16ビット浮動小数点フォーマットで、良好な精度を保持。
• FP32と同様のダイナミックレンジを提供しながら、メモリ使用量を削減。
• ハードウェアがBF16アクセラレーションをサポートしている場合に推奨（デバイスの仕様を確認）。
• FP32と比べてメモリフットプリントを削減した高性能推論に最適。

📌 BF16を使用する場合:
✔ ハードウェアがBF16をネイティブサポート（例：新しいGPU、TPU）。
✔ より高い精度を維持しながらメモリを節約したい場合。
✔ モデルを別のフォーマットに再量子化する予定がある場合。

📌 BF16を避ける場合:
❌ ハードウェアがBF16をサポートしていない（FP32にフォールバックして遅くなる可能性）。
❌ BF16最適化がない古いデバイスとの互換性が必要な場合。

F16（Float 16）– BF16より広くサポート

• 16ビット浮動小数点の高精度フォーマットだが、BF16より値の範囲が狭い。
• FP16アクセラレーションをサポートするほとんどのデバイス（多くのGPUや一部のCPU）で動作。
• BF16より数値精度はやや低いが、一般的に推論には十分。

📌 F16を使用する場合:
✔ ハードウェアがFP16をサポートしているがBF16をサポートしていない場合。
✔ 速度、メモリ使用量、精度のバランスが必要な場合。
✔ GPUやFP16計算に最適化されたデバイスで実行する場合。

📌 F16を避ける場合:
❌ デバイスがネイティブFP16サポートを欠いている（予想より遅くなる可能性）。
❌ メモリ制約がある場合。

量子化モデル（Q4_K、Q6_K、Q8など）– CPU＆低VRAM推論向け

量子化はモデルサイズとメモリ使用量を削減しつつ、可能な限り精度を維持。

• 低ビットモデル（Q4_K） → 最小メモリ使用に最適、精度は低め。
• 高ビットモデル（Q6_K、Q8_0） → より良い精度、より多くのメモリを必要。

📌 量子化モデルを使用する場合:
✔ CPUで推論を実行し、最適化されたモデルが必要な場合。
✔ デバイスのVRAMが低く、フル精度モデルをロードできない場合。
✔ 合理的な精度を保ちながらメモリフットプリントを削減したい場合。

📌 量子化モデルを避ける場合:
❌ 最大精度が必要な場合（フル精度モデルが適している）。
❌ ハードウェアがより高精度なフォーマット（BF16/F16）に対応する十分なVRAMを持っている場合。

超低ビット量子化（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）

これらのモデルは極端なメモリ効率のために最適化されており、低電力デバイスやメモリが重大な制約となる大規模展開に最適。

• IQ3_XS: 超低ビット量子化（3ビット）で極端なメモリ効率。

  • 使用例: Q4_Kでも大きすぎる超低メモリデバイスに最適。
  • トレードオフ: 高ビット量子化と比べて精度が低い。

• IQ3_S: 最大メモリ効率のための小さなブロックサイズ。

  • 使用例: IQ3_XSが過度に攻撃的である低メモリデバイスに最適。

• IQ3_M: IQ3_Sより良い精度の中ブロックサイズ。

  • 使用例: IQ3_Sが制限的である低メモリデバイスに適している。

• Q4_K: より良い精度のためのブロック単位最適化を伴う4ビット量子化。

  • 使用例: Q6_Kが大きすぎる低メモリデバイスに最適。

• Q4_0: ARMデバイス向けに最適化された純粋な4ビット量子化。

  • 使用例: ARMベースデバイスや低メモリ環境に最適。

要約表: モデルフォーマット選択

含まれるファイルと詳細

phi-2-bf16.gguf

• BF16で保存されたモデル重み。
• モデルを別のフォーマットに再量子化したい場合に使用。
• デバイスがBF16アクセラレーションをサポートしている場合に最適。

phi-2-f16.gguf

• F16で保存されたモデル重み。
• FP16をサポートするデバイスで、BF16が利用できない場合に使用。

phi-2-bf16-q8_0.gguf

• 出力＆埋め込みはBF16のまま。
• 他のすべてのレイヤーはQ8_0に量子化。
• BF16をサポートするデバイスで量子化版が必要な場合に使用。

phi-2-f16-q8_0.gguf

• 出力＆埋め込みはF16のまま。
• 他のすべてのレイヤーはQ8_0に量子化。

phi-2-q4_k.gguf

• 出力＆埋め込みはQ8_0に量子化。
• 他のすべてのレイヤーはQ4_Kに量子化。
• メモリが限られたCPU推論に適している。

phi-2-q4_k_s.gguf

• 最小のQ4_Kバリアントで、精度を犠牲にしてメモリ使用量を削減。
• 非常に低メモリ環境に最適。

phi-2-q6_k.gguf

• 出力＆埋め込みはQ8_0に量子化。
• 他のすべてのレイヤーはQ6_Kに量子化。

phi-2-q8_0.gguf

• 完全なQ8量子化モデルでより高い精度を提供。
• より多くのメモリを必要とするが、高精度を実現。

phi-2-iq3_xs.gguf

• IQ3_XS量子化で、極端なメモリ効率を最適化。
• 超低メモリデバイスに最適。

phi-2-iq3_m.gguf

• IQ3_M量子化で、中ブロックサイズを提供し精度向上。
• 低メモリデバイスに適している。

phi-2-q4_0.gguf

• 純粋なQ4_0量子化で、ARMデバイス向けに最適化。
• 低メモリ環境に最適。
• より良い精度が必要な場合はIQ4_NLを推奨。

🚀 これらのモデルが役立つ場合

❤ 役に立ったら「いいね」をクリックしてください！
量子対応セキュリティチェックを備えたAI搭載ネットワークモニターアシスタントのテストに協力してください：
👉 無料ネットワークモニター

💬 テスト方法:

1. チャットアイコンをクリック（どのページの右下にもあります）
2. AIアシスタントタイプを選択：
   • TurboLLM (GPT-4-mini)
   • FreeLLM (オープンソース)
   • TestLLM (実験的CPU専用)

テスト内容

AIネットワーク監視のための小型オープンソースモデルの限界に挑戦しています：

• ライブネットワークサービスに対する関数呼び出し
• モデルをどこまで小型化できるかの検証：
  • 自動化されたNmapスキャン
  • 量子対応チェック
  • Metasploit統合

🟡 TestLLM – 現在の実験モデル（6 CPUスレッドでのllama.cpp）：

• ✅ ゼロコンフィギュレーション設定
• ⏳ 30秒のロード時間（推論は遅いがAPIコストなし）
• 🔧 協力募集！ エッジデバイスAIに興味があれば、協力しましょう！

その他のアシスタント

🟢 TurboLLM – gpt-4-miniを使用：

• リアルタイムネットワーク診断
• 自動化されたペネトレーションテスト (Nmap/Metasploit)
• 🔑 無料ネットワークモニターエージェントをダウンロード してトークンを増やす

🔵 HugLLM – オープンソースモデル（≈80億パラメータ）：

• TurboLLMより2倍多いトークン
• AI駆動ログ分析
• 🌐 Hugging Face推論APIで実行

💡 テスト用AIコマンド例:

1. "私のウェブサイトのSSL証明書情報を教えて"
2. "サーバーが量子安全暗号を使用しているか確認して"
3. "簡単なNmap脆弱性テストを実行して"