license: apache-2.0 language:

• en
• zh
• ja
• ko
• fr
• ar
• es
• pt metrics:
• accuracy base_model:
• BlinkDL/rwkv-7-world pipeline_tag: text-generation

RWKV7-Goose-World3-2.9B-HF GGUF モデル

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を選択するには、ハードウェアの性能とメモリ制約を考慮する必要があります。

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

• 高速な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と同様のダイナミックレンジを提供しつつ、メモリ使用量を削減。
• BF16 アクセラレーションをサポートするハードウェア（デバイスの仕様を確認）に推奨。
• FP32と比較してメモリフットプリントを削減しつつ、高性能な推論が可能。

📌 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）。
✔ 高い精度を維持しつつメモリを節約したい。
✔ モデルを他のフォーマットに再量子化する予定がある。

📌 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、遅くなる可能性あり）。
❌ BF16最適化がない古いデバイスとの互換性が必要。

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多くのデバイス（GPUや一部のCPU）で動作。
• BF16より若干精度が低いが、推論には一般的に十分。

📌 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。
✔ 速度、メモリ使用量、精度のバランスが必要。
✔ GPUなどFP16計算に最適化されたデバイスで実行する。

📌 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（予想より遅くなる可能性あり）。
❌ メモリ制約が厳しい。

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) → メモリ使用量最小、精度は低め。
• 高ビットモデル (Q6_K, Q8_0) → 精度向上、より多くのメモリが必要。

📌 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。
✔ 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。
✔ メモリフットプリントを削減しつつ、合理的な精度を維持したい。

📌 量子化モデルを避ける場合:
❌ 最大精度が必要（フル精度モデルが適している）。
❌ ハードウェアに高精度フォーマット（BF16/F16）用の十分なVRAMがある。

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を最適化しており、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: 超低メモリデバイス向け（Q4_Kでも大きすぎる場合）。
  • トレードオフ: 高ビット量子化より精度が低い。

• IQ3_S: 小ブロックサイズで最大メモリ効率。

  • 使用例: IQ3_XSが過剰な低メモリデバイス向け。

• IQ3_M: 中ブロックサイズでIQ3_Sより精度向上。

  • 使用例: IQ3_Sが制限すぎる低メモリデバイス向け。

• Q4_K: 4ビット量子化でブロック単位最適化により精度向上。

  • 使用例: Q6_Kが大きすぎる低メモリデバイス向け。

• Q4_0: 純粋な4ビット量子化、ARMデバイス向けに最適化。

  • 使用例: ARMベースデバイスや低メモリ環境向け。

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

RWKV7-Goose-World3-2.9B-HF-bf16.gguf

• モデル重みをBF16で保持。
• 別のフォーマットに再量子化する場合に使用。
• BF16 アクセラレーション対応デバイスに最適。

RWKV7-Goose-World3-2.9B-HF-f16.gguf

• モデル重みをF16で保持。
• FP16をサポートするがBF16が利用不可なデバイス向け。

RWKV7-Goose-World3-2.9B-HF-bf16-q8_0.gguf

• 出力 & 埋め込みはBF16のまま。
• 他の層はQ8_0に量子化。
• BF16対応デバイスで量子化版を使用したい場合。

RWKV7-Goose-World3-2.9B-HF-f16-q8_0.gguf

• 出力 & 埋め込みはF16のまま。
• 他の層はQ8_0に量子化。

RWKV7-Goose-World3-2.9B-HF-q4_k.gguf

• 出力 & 埋め込みはQ8_0に量子化。
• 他の層はQ4_Kに量子化。
• メモリ制約のあるCPU推論に適している。

RWKV7-Goose-World3-2.9B-HF-q4_k_s.gguf

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

RWKV7-Goose-World3-2.9B-HF-q6_k.gguf

• 出力 & 埋め込みはQ8_0に量子化。
• 他の層はQ6_Kに量子化。

RWKV7-Goose-World3-2.9B-HF-q8_0.gguf

• 完全なQ8量子化モデルで高精度を実現。
• より多くのメモリが必要だが、高い精度を提供。

RWKV7-Goose-World3-2.9B-HF-iq3_xs.gguf

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

RWKV7-Goose-World3-2.9B-HF-iq3_m.gguf

• IQ3_M量子化、中ブロックサイズで精度向上。
• 低メモリデバイスに適している。

RWKV7-Goose-World3-2.9B-HF-q4_0.gguf

• 純粋なQ4_0量子化、ARMデバイス向けに最適化。
• 低メモリ環境に最適。
• より高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（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)

テスト内容

小規模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
• どの程度小さなモデルで以下を処理可能か:
  • 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
• ⏳ 30秒のロード時間（推論は遅いがAPIコスト無し）
• 🔧 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 でトークンを追加取得

🔵 HugLLM – オープンソースモデル（≈8Bパラメータ）:

• TurboLLMより2倍のトークン
• AI駆動ログ分析
• 🌐 Hugging Face推論APIで動作

💡 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"