Mistral 7B Instruct V0.1 GGUF

🚀 Mistral-7B-Instruct-v0.1 GGUF模型

本項目提供了Mistral-7B-Instruct-v0.1的GGUF模型，採用了超低比特量化技術，在保證模型精度的同時，極大地提高了內存使用效率。這些模型適用於多種硬件環境，可根據不同的需求進行選擇。

🚀 快速開始

如果你想使用這些模型，可以根據自己的硬件能力和內存限制選擇合適的模型格式。同時，項目還提供了模型的使用示例和測試方法，幫助你快速上手。

✨ 主要特性

• 超低比特量化：引入了精度自適應量化方法，用於超低比特模型（1 - 2比特），在Llama - 3 - 8B上經過基準測試驗證，能在保持極端內存效率的同時保留精度。
• 多種模型格式：提供了BF16、F16、量化模型（Q4_K、Q6_K、Q8等）以及超低比特量化模型（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）等多種格式，滿足不同硬件和應用場景的需求。
• 廣泛的應用場景：適用於GPU、CPU和邊緣設備，可用於內存受限的部署、超低比特量化研究等。

📦 安裝指南

若在使用模型時遇到如下錯誤：

Traceback (most recent call last):
File "", line 1, in
File "/transformers/models/auto/auto_factory.py", line 482, in from_pretrained
config, kwargs = AutoConfig.from_pretrained(
File "/transformers/models/auto/configuration_auto.py", line 1022, in from_pretrained
config_class = CONFIG_MAPPING[config_dict["model_type"]]
File "/transformers/models/auto/configuration_auto.py", line 723, in getitem
raise KeyError(key)
KeyError: 'mistral'

可以通過從源代碼安裝transformers來解決問題：

pip install git+https://github.com/huggingface/transformers

在transformers - v4.33.4之後，此操作應該不再需要。

💻 使用示例

基礎用法

以下是使用mistral_common進行編碼和解碼的示例：

from mistral_common.tokens.tokenizers.mistral import MistralTokenizer
from mistral_common.protocol.instruct.messages import UserMessage
from mistral_common.protocol.instruct.request import ChatCompletionRequest

mistral_models_path = "MISTRAL_MODELS_PATH"

tokenizer = MistralTokenizer.v1()

completion_request = ChatCompletionRequest(messages=[UserMessage(content="Explain Machine Learning to me in a nutshell.")])

tokens = tokenizer.encode_chat_completion(completion_request).tokens

高級用法

以下是使用mistral_inference進行推理的示例：

from mistral_inference.transformer import Transformer
from mistral_inference.generate import generate

model = Transformer.from_folder(mistral_models_path)
out_tokens, _ = generate([tokens], model, max_tokens=64, temperature=0.0, eos_id=tokenizer.instruct_tokenizer.tokenizer.eos_id)

result = tokenizer.decode(out_tokens[0])

print(result)

其他用法

使用Hugging Face的transformers庫進行推理：

from transformers import AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("mistralai/Mistral-7B-Instruct-v0.1")
model.to("cuda")

generated_ids = model.generate(tokens, max_new_tokens=1000, do_sample=True)

# decode with mistral tokenizer
result = tokenizer.decode(generated_ids[0].tolist())
print(result)

📚 詳細文檔

超低比特量化方法

基準測試背景

所有測試均在Llama - 3 - 8B - Instruct上進行，使用標準困惑度評估管道、2048令牌上下文窗口，並在所有量化中使用相同的提示集。

方法

• 動態精度分配：
  • 前/後25%的層 → IQ4_XS（選定層）
  • 中間50% → IQ2_XXS/IQ3_S（提高效率）
• 關鍵組件保護：
  • 嵌入/輸出層使用Q5_K
  • 與標準1 - 2比特量化相比，誤差傳播降低38%

量化性能比較（Llama - 3 - 8B）

關鍵改進：

• 🔥 IQ1_M的困惑度大幅降低43.9%（從27.46降至15.41）
• 🚀 IQ2_S的困惑度降低36.9%，同時僅增加0.2GB
• ⚡ IQ1_S儘管是1比特量化，但仍保持39.7%的精度提升

權衡：

• 所有變體的大小均有適度增加（0.1 - 0.3GB）
• 推理速度相當（差異<5%）

使用場景

• 📌 將模型裝入GPU VRAM
• ✔ 內存受限的部署
• ✔ 可容忍1 - 2比特誤差的CPU和邊緣設備
• ✔ 超低比特量化研究

選擇合適的模型格式

選擇正確的模型格式取決於你的硬件能力和內存限制。

BF16（Brain Float 16） – 若支持BF16加速則使用

• 一種16位浮點格式，專為更快的計算而設計，同時保留良好的精度。
• 提供與FP32相似的動態範圍，但內存使用更低。
• 若你的硬件支持BF16加速（檢查設備規格），建議使用。
• 與FP32相比，適用於具有減少內存佔用的高性能推理。

📌 使用BF16的情況：

• ✔ 你的硬件具有原生BF16支持（如較新的GPU、TPU）。
• ✔ 你希望在節省內存的同時獲得更高的精度。
• ✔ 你計劃將模型重新量化為另一種格式。

📌 避免使用BF16的情況：

• ❌ 你的硬件不支持BF16（可能會回退到FP32並運行較慢）。
• ❌ 你需要與缺乏BF16優化的舊設備兼容。

F16（Float 16） – 比BF16更廣泛支持

• 一種16位浮點格式，具有較高的精度，但值的範圍比BF16小。
• 適用於大多數支持FP16加速的設備（包括許多GPU和一些CPU）。
• 數值精度略低於BF16，但通常足以進行推理。

📌 使用F16的情況：

• ✔ 你的硬件支持FP16但不支持BF16。
• ✔ 你需要在速度、內存使用和準確性之間取得平衡。
• ✔ 你在GPU或其他針對FP16計算優化的設備上運行。

📌 避免使用F16的情況：

• ❌ 你的設備缺乏原生FP16支持（可能會比預期運行得慢）。
• ❌ 你有內存限制。

量化模型（Q4_K、Q6_K、Q8等） – 用於CPU和低VRAM推理

量化可在儘可能保持準確性的同時減小模型大小和內存使用。

• 低比特模型（Q4_K） → 最適合最小的內存使用，可能精度較低。
• 高比特模型（Q6_K、Q8_0） → 更好的準確性，需要更多內存。

📌 使用量化模型的情況：

• ✔ 你在CPU上運行推理，需要優化的模型。
• ✔ 你的設備VRAM較低，無法加載全精度模型。
• ✔ 你希望在保持合理準確性的同時減少內存佔用。

📌 避免使用量化模型的情況：

• ❌ 你需要最高的準確性（全精度模型更適合）。
• ❌ 你的硬件有足夠的VRAM用於更高精度的格式（BF16/F16）。

極低比特量化（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）

這些模型針對極端內存效率進行了優化，非常適合低功耗設備或大規模部署，其中內存是關鍵限制因素。

• IQ3_XS：超低比特量化（3比特），具有極端的內存效率。
  • 使用場景：最適合超低內存設備，即使Q4_K也太大。
  • 權衡：與高比特量化相比，準確性較低。
• IQ3_S：小塊大小，以實現最大內存效率。
  • 使用場景：最適合低內存設備，其中IQ3_XS過於激進。
• IQ3_M：中等塊大小，比IQ3_S具有更好的準確性。
  • 使用場景：適用於低內存設備，其中IQ3_S過於受限。
• Q4_K：4比特量化，具有逐塊優化，以提高準確性。
  • 使用場景：最適合低內存設備，其中Q6_K太大。
• Q4_0：純4比特量化，針對ARM設備進行了優化。
  • 使用場景：最適合低內存環境。

模型格式選擇總結表

包含的文件及詳情

• Mistral-7B-Instruct-v0.1-bf16.gguf：模型權重保存為BF16。如果你想將模型重新量化為不同的格式，請使用此文件。若你的設備支持BF16加速，效果最佳。
• Mistral-7B-Instruct-v0.1-f16.gguf：模型權重存儲為F16。若你的設備支持FP16，尤其是當BF16不可用時，使用此文件。
• Mistral-7B-Instruct-v0.1-bf16-q8_0.gguf：輸出和嵌入保持為BF16，所有其他層量化為Q8_0。若你的設備支持BF16且你想要量化版本，使用此文件。
• Mistral-7B-Instruct-v0.1-f16-q8_0.gguf：輸出和嵌入保持為F16，所有其他層量化為Q8_0。
• Mistral-7B-Instruct-v0.1-q4_k.gguf：輸出和嵌入量化為Q8_0，所有其他層量化為Q4_K。適用於CPU推理，內存有限。
• Mistral-7B-Instruct-v0.1-q4_k_s.gguf：最小的Q4_K變體，以犧牲準確性為代價使用更少的內存。最適合極低內存設置。
• Mistral-7B-Instruct-v0.1-q6_k.gguf：輸出和嵌入量化為Q8_0，所有其他層量化為Q6_K。
• Mistral-7B-Instruct-v0.1-q8_0.gguf：完全Q8量化的模型，以獲得更好的準確性。需要更多內存，但提供更高的精度。
• Mistral-7B-Instruct-v0.1-iq3_xs.gguf：IQ3_XS量化，針對極端內存效率進行了優化。最適合超低內存設備。
• Mistral-7B-Instruct-v0.1-iq3_m.gguf：IQ3_M量化，提供中等塊大小，以提高準確性。適用於低內存設備。
• Mistral-7B-Instruct-v0.1-q4_0.gguf：純Q4_0量化，針對ARM設備進行了優化。最適合低內存環境。

測試模型

如果你發現這些模型有用，請點擊“點贊”！同時，幫助測試AI驅動的網絡監控助手，進行量子就緒安全檢查： 👉 免費網絡監控器

測試方法

1. 點擊聊天圖標（任何頁面的右下角）
2. 選擇一個AI助手類型：
   • TurboLLM (GPT - 4 - mini)
   • FreeLLM (開源)
   • TestLLM (僅實驗性CPU)

測試內容

正在推動小型開源模型用於AI網絡監控的極限，具體包括：

• 針對即時網絡服務的函數調用
• 模型可以多小，同時仍能處理：
  • 自動化Nmap掃描
  • 量子就緒檢查
  • Metasploit集成

不同助手介紹

• 🟡 TestLLM – 當前實驗模型（llama.cpp在6個CPU線程上）：
  • ✅ 零配置設置
  • ⏳ 30秒加載時間（推理慢，但無API成本）
  • 🔧 尋求幫助！ 如果你對邊緣設備AI感興趣，讓我們合作！
• 🟢 TurboLLM – 使用gpt - 4 - mini進行：
  • 即時網絡診斷
  • 自動化滲透測試（Nmap/Metasploit）
  • 🔑 通過下載我們的免費網絡監控代理獲得更多令牌。
• 🔵 HugLLM – 開源模型（≈8B參數）：
  • 比TurboLLM多2倍的令牌
  • AI驅動的日誌分析
  • 🌐 在Hugging Face推理API上運行。

示例AI命令測試

1. "Give me info on my websites SSL certificate"
2. "Check if my server is using quantum safe encyption for communication"
3. "Run a quick Nmap vulnerability test"

指令格式

為了利用指令微調，你的提示應該用[INST]和[/INST]標記包圍。第一個指令應該以句子開始ID開頭，後續指令則不需要。助手生成將由句子結束令牌ID結束。

例如：

text = "<s>[INST] What is your favourite condiment? [/INST]"
"Well, I'm quite partial to a good squeeze of fresh lemon juice. It adds just the right amount of zesty flavour to whatever I'm cooking up in the kitchen!</s> "
"[INST] Do you have mayonnaise recipes? [/INST]"

這種格式可以通過apply_chat_template()方法作為聊天模板使用：

from transformers import AutoModelForCausalLM, AutoTokenizer

device = "cuda" # the device to load the model onto

model = AutoModelForCausalLM.from_pretrained("mistralai/Mistral-7B-Instruct-v0.1")
tokenizer = AutoTokenizer.from_pretrained("mistralai/Mistral-7B-Instruct-v0.1")

messages = [
    {"role": "user", "content": "What is your favourite condiment?"},
    {"role": "assistant", "content": "Well, I'm quite partial to a good squeeze of fresh lemon juice. It adds just the right amount of zesty flavour to whatever I'm cooking up in the kitchen!"},
    {"role": "user", "content": "Do you have mayonnaise recipes?"}
]

encodeds = tokenizer.apply_chat_template(messages, return_tensors="pt")

model_inputs = encodeds.to(device)
model.to(device)

generated_ids = model.generate(model_inputs, max_new_tokens=1000, do_sample=True)
decoded = tokenizer.batch_decode(generated_ids)
print(decoded[0])

🔧 技術細節

模型架構

此指令模型基於Mistral - 7B - v0.1，這是一個具有以下架構選擇的Transformer模型：

• 分組查詢注意力
• 滑動窗口注意力
• 字節回退BPE分詞器

📄 許可證

本項目採用Apache - 2.0許可證。

⚠️ 重要提示

Mistral 7B指令模型是一個快速演示，表明基礎模型可以很容易地進行微調以實現引人注目的性能。它沒有任何審核機制。期待與社區合作，使模型能夠更好地遵守規則，以便在需要審核輸出的環境中部署。

團隊成員

Albert Jiang, Alexandre Sablayrolles, Arthur Mensch, Chris Bamford, Devendra Singh Chaplot, Diego de las Casas, Florian Bressand, Gianna Lengyel, Guillaume Lample, Lélio Renard Lavaud, Lucile Saulnier, Marie - Anne Lachaux, Pierre Stock, Teven Le Scao, Thibaut Lavril, Thomas Wang, Timothée Lacroix, William El Sayed.