license: other license_name: qwen-research license_link: https://huggingface.co/Qwen/Qwen2.5-3B-Instruct/blob/main/LICENSE language:

• en pipeline_tag: text-generation base_model: Qwen/Qwen2.5-3B tags:
• chat library_name: transformers

Qwen2.5-3B-Instruct 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、精度適応型量子化を導入した超低ビットモデル（1-2ビット）を実現し、Llama-3-8Bでのベンチマーク検証済みの改善を達成しています。このアプローチでは、レイヤーごとの戦略を用いて精度を維持しながら、極めてメモリ効率の高い設計を実現しています。

ベンチマーク条件

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
• すべての量子化手法で同一のプロンプトセットを使用

手法

• 動的精度割り当て：
  • 最初と最後の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（効率性向上）
• 重要コンポーネント保護：
  • 埋め込み層と出力層にはQ5_Kを使用
  • 標準的な1-2ビット量子化と比べて誤差伝播を38%低減

量子化性能比較（Llama-3-8B）

凡例:

• 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）
• サイズ差異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低減を達成（27.46 → 15.41）
• 🚀 IQ2_Sは36.9%のパープレキシティ改善を達成し、サイズ増加は僅か0.2GB
• ⚡ IQ1_Sは1ビット量子化にも関わらず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%未満の差異）

これらのモデルの使用場面

📌 GPU VRAMにモデルを収める場合

✔ メモリ制約のある環境での展開

✔ 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

• 高速計算を可能にしつつ良好な精度を維持する16ビット浮動小数点フォーマット。
• FP32と同等のダイナミックレンジを提供しつつ、メモリ使用量を低減。
• 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）。
✔ より高い精度が必要でメモリも節約したい場合。
✔ モデルを別のフォーマットに再量子化する計画がある場合。

📌 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ビット浮動小数点で高精度だが、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で動作（多くのGPUや一部のCPUを含む）。
• BF16より数値精度はわずかに低いが、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は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など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サポートを欠く（期待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推論用

量子化により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が少なく、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つつ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フォーマット（BF16/F16）に十分な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理想的。

• 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: 高ビット量子化より精度は低い。

• 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より良い精度の中規模ブロックサイズ。

  • 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施した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

Qwen2.5-3B-Instruct-bf16.gguf

• モデル重みをBF16で保持。
• 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。

Qwen2.5-3B-Instruct-f16.gguf

• モデル重みをF16で保持。
• 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。

Qwen2.5-3B-Instruct-bf16-q8_0.gguf

• 出力＆埋め込み層はBF16のまま。
• 他のすべてのレイヤーはQ8_0で量子化。
• デバイスがBF16をサポートしつつ量子化版が必要な場合に使用。

Qwen2.5-3B-Instruct-f16-q8_0.gguf

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

Qwen2.5-3B-Instruct-q4_k.gguf

• 出力＆埋め込み層はQ8_0で量子化。
• 他のすべてのレイヤーはQ4_Kで量子化。
• メモリ制限のあるCPU推論に適している。

Qwen2.5-3B-Instruct-q4_k_s.gguf

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

Qwen2.5-3B-Instruct-q6_k.gguf

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

Qwen2.5-3B-Instruct-q8_0.gguf

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

Qwen2.5-3B-Instruct-iq3_xs.gguf

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

Qwen2.5-3B-Instruct-iq3_m.gguf

• IQ3_M量子化で、中規模ブロックサイズによるより良い精度。
• 低メモリデバイスに適している。

Qwen2.5-3B-Instruct-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駆動ネットワーク監視アシスタントのテストに協力ください：
👉 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（全ページ右下）
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）

現在テスト中の内容

小型オープンソースモデルの限界に挑戦中：

• ライブネットワークサービスに対する関数呼び出し
• どれだけ小さなモデルで以下を処理できるか：
  • 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（llama.cpp、6 CPUスレッド）：

• ✅ ゼロ設定セットアップ
• ⏳ 30秒ロード時間（推論は遅いがAPIコスト無し）
• 🔧 協力者募集！ 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でより多くのトークンを獲得

🔵 HugLLM – オープンソースモデル（≈8B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で動作

💡 テスト可能な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"