模型概述
模型特點
模型能力
使用案例
🚀 Llama.cpp對mlabonne的gemma - 3 - 27b - it - abliterated的量化版本
本項目使用 llama.cpp 的 b4896 版本進行量化。旨在為gemma - 3 - 27b - it - abliterated模型提供不同量化格式的文件,方便在不同硬件和場景下使用。
項目信息
屬性 | 詳情 |
---|---|
量化者 | bartowski |
任務類型 | 圖像文本到文本 |
許可證 | gemma |
基礎模型 | mlabonne/gemma - 3 - 27b - it - abliterated |
基礎模型鏈接
原始模型可在 這裡 查看。
量化說明
所有量化文件均使用imatrix選項,並採用 此數據集 進行處理。
運行方式
🚀 快速開始
提示格式
<bos><start_of_turn>user
{system_prompt}
{prompt}<end_of_turn>
<start_of_turn>model
文件下載
可從以下表格中選擇所需文件進行下載(非整個分支):
嵌入/輸出權重說明
部分量化文件(如Q3_K_XL、Q4_K_L等)採用標準量化方法,將嵌入和輸出權重量化為Q8_0,而非默認值。
使用huggingface - cli下載
點擊查看下載說明
首先,確保你已安裝huggingface - cli:
pip install -U "huggingface_hub[cli]"
然後,你可以指定要下載的特定文件:
huggingface-cli download bartowski/mlabonne_gemma-3-27b-it-abliterated-GGUF --include "mlabonne_gemma-3-27b-it-abliterated-Q4_K_M.gguf" --local-dir ./
如果模型大於50GB,它將被拆分為多個文件。若要將它們全部下載到本地文件夾,請運行:
huggingface-cli download bartowski/mlabonne_gemma-3-27b-it-abliterated-GGUF --include "mlabonne_gemma-3-27b-it-abliterated-Q8_0/*" --local-dir ./
你可以指定一個新的本地目錄(如mlabonne_gemma - 3 - 27b - it - abliterated - Q8_0),也可以將它們全部下載到當前目錄(./)。
ARM/AVX信息
以前,你會下載Q4_0_4_4/4_8/8_8文件,這些文件的權重會在內存中交錯排列,以便在ARM和AVX機器上通過一次加載更多數據來提高性能。
然而,現在有了一種名為“在線重新打包”的權重處理方式,詳情見 此PR。如果你使用Q4_0,並且你的硬件能從重新打包權重中受益,它將自動即時進行處理。
從llama.cpp的 b4282 版本開始,你將無法運行Q4_0_X_X文件,而需要使用Q4_0。
此外,如果你想獲得稍好的質量,可以使用IQ4_NL,這得益於 此PR,它也會為ARM重新打包權重,不過目前僅適用於4_4。加載時間可能會變慢,但總體速度會提高。
點擊查看Q4_0_X_X信息(已棄用)
我保留這部分內容是為了展示使用支持在線重新打包的Q4_0在性能上的潛在理論提升。
點擊查看AVX2系統(EPYC7702)上的基準測試
模型 | 大小 | 參數 | 後端 | 線程數 | 測試 | 令牌/秒 | 與Q4_0相比的百分比 |
---|---|---|---|---|---|---|---|
qwen2 3B Q4_0 | 1.70 GiB | 3.09 B | CPU | 64 | pp512 | 204.03 ± 1.03 | 100% |
qwen2 3B Q4_0 | 1.70 GiB | 3.09 B | CPU | 64 | pp1024 | 282.92 ± 0.19 | 100% |
qwen2 3B Q4_0 | 1.70 GiB | 3.09 B | CPU | 64 | pp2048 | 259.49 ± 0.44 | 100% |
qwen2 3B Q4_0 | 1.70 GiB | 3.09 B | CPU | 64 | tg128 | 39.12 ± 0.27 | 100% |
qwen2 3B Q4_0 | 1.70 GiB | 3.09 B | CPU | 64 | tg256 | 39.31 ± 0.69 | 100% |
qwen2 3B Q4_0 | 1.70 GiB | 3.09 B | CPU | 64 | tg512 | 40.52 ± 0.03 | 100% |
qwen2 3B Q4_K_M | 1.79 GiB | 3.09 B | CPU | 64 | pp512 | 301.02 ± 1.74 | 147% |
qwen2 3B Q4_K_M | 1.79 GiB | 3.09 B | CPU | 64 | pp1024 | 287.23 ± 0.20 | 101% |
qwen2 3B Q4_K_M | 1.79 GiB | 3.09 B | CPU | 64 | pp2048 | 262.77 ± 1.81 | 101% |
qwen2 3B Q4_K_M | 1.79 GiB | 3.09 B | CPU | 64 | tg128 | 18.80 ± 0.99 | 48% |
qwen2 3B Q4_K_M | 1.79 GiB | 3.09 B | CPU | 64 | tg256 | 24.46 ± 3.04 | 83% |
qwen2 3B Q4_K_M | 1.79 GiB | 3.09 B | CPU | 64 | tg512 | 36.32 ± 3.59 | 90% |
qwen2 3B Q4_0_8_8 | 1.69 GiB | 3.09 B | CPU | 64 | pp512 | 271.71 ± 3.53 | 133% |
qwen2 3B Q4_0_8_8 | 1.69 GiB | 3.09 B | CPU | 64 | pp1024 | 279.86 ± 45.63 | 100% |
qwen2 3B Q4_0_8_8 | 1.69 GiB | 3.09 B | CPU | 64 | pp2048 | 320.77 ± 5.00 | 124% |
qwen2 3B Q4_0_8_8 | 1.69 GiB | 3.09 B | CPU | 64 | tg128 | 43.51 ± 0.05 | 111% |
qwen2 3B Q4_0_8_8 | 1.69 GiB | 3.09 B | CPU | 64 | tg256 | 43.35 ± 0.09 | 110% |
qwen2 3B Q4_0_8_8 | 1.69 GiB | 3.09 B | CPU | 64 | tg512 | 42.60 ± 0.31 | 105% |
Q4_0_8_8在提示處理方面有顯著提升,在文本生成方面有小幅提升。
如何選擇文件
點擊查看詳情
Artefact2提供了一篇很棒的文章,帶有展示各種性能的圖表,可在 這裡 查看。
首先,你需要確定你能運行多大的模型。為此,你需要了解你有多少內存(RAM)和/或顯存(VRAM)。
如果你希望模型運行得儘可能快,你需要將整個模型放入GPU的顯存中。選擇文件大小比GPU總顯存小1 - 2GB的量化文件。
如果你追求絕對最高質量,將系統內存和GPU顯存相加,然後選擇文件大小比該總和小1 - 2GB的量化文件。
接下來,你需要決定是使用“I - 量化”還是“K - 量化”。
如果你不想考慮太多,選擇K - 量化文件。這些文件的格式為“QX_K_X”,如Q5_K_M。
如果你想深入瞭解,可以查看這個非常有用的功能圖表:
但基本上,如果你目標是低於Q4的量化,並且你使用的是cuBLAS(英偉達)或rocBLAS(AMD),你應該考慮I - 量化文件。這些文件的格式為IQX_X,如IQ3_M。它們是較新的格式,在相同大小下提供更好的性能。
這些I - 量化文件也可以在CPU上使用,但比相應的K - 量化文件慢,因此你需要在速度和性能之間做出權衡。
I - 量化文件 不 與Vulcan(同樣用於AMD)兼容,因此如果你有AMD顯卡,請仔細檢查你使用的是rocBLAS版本還是Vulcan版本。在撰寫本文時,LM Studio有一個支持ROCm的預覽版,其他推理引擎也有針對ROCm的特定版本。
致謝
感謝kalomaze和Dampf在創建imatrix校準數據集方面提供的幫助。
感謝ZeroWw在嵌入/輸出實驗方面提供的靈感。
感謝LM Studio對我工作的贊助。
如果你想支持我的工作,請訪問我的ko - fi頁面:https://ko - fi.com/bartowski



