模型概述
模型特點
模型能力
使用案例
🚀 TheDrummer的Fallen - Gemma3 - 4B - v1的Llamacpp imatrix量化版本
本項目提供了TheDrummer的Fallen - Gemma3 - 4B - v1模型的量化版本,藉助量化技術可在不同硬件條件下更高效地運行該模型。
🚀 快速開始
使用 llama.cpp 發佈版本 b4925 進行量化。 原始模型地址:https://huggingface.co/TheDrummer/Fallen-Gemma3-4B-v1 所有量化版本均使用imatrix選項,並採用來自 此處 的數據集。 你可以在 LM Studio 中運行這些量化版本,也可以直接使用 llama.cpp 或任何基於llama.cpp的項目來運行。
✨ 主要特性
- 提供多種量化類型,可根據不同硬件資源和性能需求選擇合適的量化版本。
- 部分量化版本對嵌入和輸出權重進行特殊處理,以提升性能和質量。
- 支持在線權重重新打包,可自動優化特定硬件的性能。
📦 安裝指南
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/TheDrummer_Fallen-Gemma3-4B-v1-GGUF --include "TheDrummer_Fallen-Gemma3-4B-v1-Q4_K_M.gguf" --local-dir ./
如果模型大小超過50GB,它會被拆分為多個文件。若要將它們全部下載到本地文件夾,請運行:
huggingface-cli download bartowski/TheDrummer_Fallen-Gemma3-4B-v1-GGUF --include "TheDrummer_Fallen-Gemma3-4B-v1-Q8_0/*" --local-dir ./
你可以指定一個新的本地目錄(如TheDrummer_Fallen-Gemma3-4B-v1-Q8_0),也可以將它們全部下載到當前目錄(./)。
💻 使用示例
提示格式
<bos><start_of_turn>user
{system_prompt}
{prompt}<end_of_turn>
<start_of_turn>model
<end_of_turn>
<start_of_turn>model
📚 詳細文檔
下載文件選擇
文件名 | 量化類型 | 文件大小 | 拆分情況 | 描述 |
---|---|---|---|---|
Fallen-Gemma3-4B-v1-bf16.gguf | bf16 | 7.77GB | false | 完整的BF16權重。 |
Fallen-Gemma3-4B-v1-Q8_0.gguf | Q8_0 | 4.13GB | false | 極高質量,通常不需要,但為可用的最高量化級別。 |
Fallen-Gemma3-4B-v1-Q6_K_L.gguf | Q6_K_L | 3.35GB | false | 嵌入和輸出權重使用Q8_0。非常高質量,接近完美,推薦。 |
Fallen-Gemma3-4B-v1-Q6_K.gguf | Q6_K | 3.19GB | false | 非常高質量,接近完美,推薦。 |
Fallen-Gemma3-4B-v1-Q5_K_L.gguf | Q5_K_L | 2.99GB | false | 嵌入和輸出權重使用Q8_0。高質量,推薦。 |
Fallen-Gemma3-4B-v1-Q5_K_M.gguf | Q5_K_M | 2.83GB | false | 高質量,推薦。 |
Fallen-Gemma3-4B-v1-Q5_K_S.gguf | Q5_K_S | 2.76GB | false | 高質量,推薦。 |
Fallen-Gemma3-4B-v1-Q4_K_L.gguf | Q4_K_L | 2.65GB | false | 嵌入和輸出權重使用Q8_0。質量良好,推薦。 |
Fallen-Gemma3-4B-v1-Q4_1.gguf | Q4_1 | 2.56GB | false | 舊格式,性能與Q4_K_S相似,但在Apple硅芯片上每瓦處理的令牌數有所提高。 |
Fallen-Gemma3-4B-v1-Q4_K_M.gguf | Q4_K_M | 2.49GB | false | 質量良好,是大多數用例的默認大小,推薦。 |
Fallen-Gemma3-4B-v1-Q3_K_XL.gguf | Q3_K_XL | 2.40GB | false | 嵌入和輸出權重使用Q8_0。質量較低但可用,適合低內存情況。 |
Fallen-Gemma3-4B-v1-Q4_K_S.gguf | Q4_K_S | 2.38GB | false | 質量略低,但節省空間,推薦。 |
Fallen-Gemma3-4B-v1-Q4_0.gguf | Q4_0 | 2.37GB | false | 舊格式,支持為ARM和AVX CPU推理進行在線重新打包。 |
Fallen-Gemma3-4B-v1-IQ4_NL.gguf | IQ4_NL | 2.36GB | false | 與IQ4_XS相似,但略大。支持為ARM CPU推理進行在線重新打包。 |
Fallen-Gemma3-4B-v1-IQ4_XS.gguf | IQ4_XS | 2.26GB | false | 質量尚可,比Q4_K_S小,性能相似,推薦。 |
Fallen-Gemma3-4B-v1-Q3_K_L.gguf | Q3_K_L | 2.24GB | false | 質量較低但可用,適合低內存情況。 |
Fallen-Gemma3-4B-v1-Q3_K_M.gguf | Q3_K_M | 2.10GB | false | 質量較低。 |
Fallen-Gemma3-4B-v1-IQ3_M.gguf | IQ3_M | 1.99GB | false | 中低質量,新方法,性能與Q3_K_M相當。 |
Fallen-Gemma3-4B-v1-Q3_K_S.gguf | Q3_K_S | 1.94GB | false | 質量較低,不推薦。 |
Fallen-Gemma3-4B-v1-Q2_K_L.gguf | Q2_K_L | 1.89GB | false | 嵌入和輸出權重使用Q8_0。質量非常低,但出人意料地可用。 |
Fallen-Gemma3-4B-v1-IQ3_XS.gguf | IQ3_XS | 1.86GB | false | 質量較低,新方法,性能尚可,略優於Q3_K_S。 |
Fallen-Gemma3-4B-v1-Q2_K.gguf | Q2_K | 1.73GB | false | 質量非常低,但出人意料地可用。 |
Fallen-Gemma3-4B-v1-IQ3_XXS.gguf | IQ3_XXS | 1.69GB | false | 質量較低,新方法,性能尚可,與Q3量化版本相當。 |
Fallen-Gemma3-4B-v1-IQ2_M.gguf | IQ2_M | 1.54GB | false | 質量相對較低,採用了最先進的技術,出人意料地可用。 |
嵌入/輸出權重
部分量化版本(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。
ARM/AVX信息
以前,你會下載Q4_0_4_4/4_8/8_8,這些版本的權重會在內存中交錯排列,以便通過一次加載更多數據來提高ARM和AVX機器的性能。
然而,現在有了一種稱為“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,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構建版本 b4282 開始,你將無法運行Q4_0_X_X文件,而需要使用Q4_0。
此外,如果你想獲得略高的質量,可以使用IQ4_NL,這得益於 此PR,它也會為ARM重新打包權重,不過目前僅支持4_4。加載時間可能會更長,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 | 測試用例 | 每秒令牌數 | 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。
選擇合適的文件
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,可查看 此處。
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的量化版本。
如果你追求絕對的最高質量,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的量化版本。
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,可以選擇K - 量化版本。這些版本的格式為“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特性圖表: llama.cpp特性矩陣
但基本上,如果你目標是低於Q4的量化,並且你使用的是cuBLAS(Nvidia)或rocBLAS(AMD),你應該考慮I - 量化版本。這些版本的格式為IQX_X,如IQ3_M。這些是較新的版本,在相同大小下性能更好。
這些I - 量化版本也可以在CPU上使用,但比對應的K - 量化版本慢,因此你需要在速度和性能之間進行權衡。
🔧 技術細節
量化方法
使用llama.cpp的imatrix選項進行量化,結合特定的數據集,以實現高效的模型量化。
在線重新打包
對於支持的硬件,Q4_0和IQ4_NL等量化版本可自動進行在線權重重新打包,以優化性能。
📄 許可證
本項目使用其他許可證,具體詳情請參考相關說明。
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



