Nvidia Llama 3 1 Nemotron Ultra 253B V1 GGUF

quantized_by: bartowski pipeline_tag: text-generation base_model: nvidia/Llama-3_1-Nemotron-Ultra-253B-v1 license: other tags:

• nvidia
• llama-3 license_link: https://www.nvidia.com/en-us/agreements/enterprise-software/nvidia-open-model-license/ language:
• en base_model_relation: quantized license_name: nvidia-open-model-license

NVIDIA製Llama-3_1-Nemotron-Ultra-253B-v1のLlamacpp imatrix量子化

llama.cppのリリースb5270を使用して量子化しました。

オリジナルモデル: https://huggingface.co/nvidia/Llama-3_1-Nemotron-Ultra-253B-v1

全ての量子化はimatrixオプションを使用し、こちらのデータセットから作成されました。

LM Studioで実行可能

llama.cppまたは他のllama.cppベースのプロジェクトで直接実行可能

プロンプト形式

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

{system_prompt}<|eot_id|><|start_header_id|>user<|end_header_id|>

{prompt}<|eot_id|><|start_header_id|>assistant<|end_header_id|>

以下のファイルをダウンロード（ブランチ全体ではなく）:

埋め込み/出力重み

一部の量子化（Q3_K_XL、Q4_K_Lなど）は標準的な量子化手法で、埋め込みと出力重みを通常のデフォルト値ではなくQ8_0で量子化しています。

huggingface-cliを使用したダウンロード

pip install -U "huggingface_hub[cli]"

huggingface-cli download bartowski/nvidia_Llama-3_1-Nemotron-Ultra-253B-v1-GGUF --include "nvidia_Llama-3_1-Nemotron-Ultra-253B-v1-Q4_K_M.gguf" --local-dir ./

huggingface-cli download bartowski/nvidia_Llama-3_1-Nemotron-Ultra-253B-v1-GGUF --include "nvidia_Llama-3_1-Nemotron-Ultra-253B-v1-Q8_0/*" --local-dir ./

ARM/AVX情報

以前はQ4_0_4_4/4_8/8_8をダウンロードし、これらの重みはメモリ内でインターリーブされ、ARMおよびAVXマシンでのパフォーマンスを向上させるために一度により多くのデータをロードしていました。

しかし現在では、重みの「オンライン再パッキング」と呼ばれる機能があります。詳細はこのPRをご覧ください。Q4_0を使用し、ハードウェアが重みの再パッキングの恩恵を受ける場合、自動的にオンザフライで実行されます。

llama.cppビルドb4282以降、Q4_0_X_Xファイルを実行できなくなり、代わりにQ4_0を使用する必要があります。

さらに、このPRのおかげで、IQ4_NLを使用してやや良い品質を得ることができます。これはARM用に重みを再パッキングしますが、現時点では4_4のみです。ロード時間は遅くなる可能性がありますが、全体的な速度向上につながります。

どのファイルを選ぶべきか？

クレジット

imatrixキャリブレーションデータセット作成の支援をしてくれたkalomazeとDampfに感謝します。

埋め込み/出力の実験にインスピレーションを与えてくれたZeroWwに感謝します。

私の仕事を支援してくれたLM Studioに感謝します。

私の仕事を支援したいですか？私のko-fiページはこちら: https://ko-fi.com/bartowski