模型概述
模型特點
模型能力
使用案例
🚀 NousResearch的DeepHermes-3-Llama-3-8B-Preview量化模型
本項目是對NousResearch的DeepHermes-3-Llama-3-8B-Preview模型進行量化處理,旨在優化模型性能和存儲需求。通過使用特定的量化方法和工具,生成了多種不同量化類型的模型文件,以滿足不同用戶的需求。
模型信息
屬性 | 詳情 |
---|---|
量化者 | bartowski |
模型類型 | 文本生成 |
許可證 | llama3 |
基礎模型 | NousResearch/DeepHermes-3-Llama-3-8B-Preview |
語言 | en |
標籤 | Llama-3、instruct、finetune、chatml、gpt4、synthetic data、distillation、function calling、json mode、axolotl、roleplaying、chat、reasoning、r1、vllm |
🚀 快速開始
量化方法
使用 llama.cpp 發佈版本 b4688 進行量化。原始模型可從 這裡 獲取。所有量化模型均使用 imatrix 選項,並結合 此數據集 生成。
運行方式
提示格式
<|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|>
📦 安裝指南
使用huggingface-cli下載
首先,確保你已安裝 hugginface-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/NousResearch_DeepHermes-3-Llama-3-8B-Preview-GGUF --include "NousResearch_DeepHermes-3-Llama-3-8B-Preview-Q4_K_M.gguf" --local-dir ./
如果模型大小超過 50GB,它將被拆分為多個文件。若要將所有文件下載到本地文件夾,請運行:
huggingface-cli download bartowski/NousResearch_DeepHermes-3-Llama-3-8B-Preview-GGUF --include "NousResearch_DeepHermes-3-Llama-3-8B-Preview-Q8_0/*" --local-dir ./
你可以指定一個新的本地目錄(如 NousResearch_DeepHermes-3-Llama-3-8B-Preview-Q8_0),也可以將所有文件下載到當前目錄(./)。
💻 使用示例
選擇合適的量化文件
點擊查看詳情
首先,確定你能夠運行的模型大小。這需要了解你擁有的系統內存(RAM)和/或顯卡顯存(VRAM)容量。 - **追求極致速度**:若希望模型運行速度儘可能快,應選擇文件大小比 GPU 顯存小 1 - 2GB 的量化模型,以便將整個模型加載到 GPU 的顯存中。 - **追求極致質量**:若追求最高質量,可將系統內存和 GPU 顯存相加,然後選擇文件大小比該總和小 1 - 2GB 的量化模型。接下來,你需要決定使用 'I-quant' 還是 'K-quant':
- 簡單選擇:若不想過多考慮,可選擇 K-quants,其格式為 'QX_K_X',如 Q5_K_M。
- 深入選擇:若想深入瞭解,可查看 llama.cpp 功能矩陣。一般來說,若目標量化級別低於 Q4,且使用 cuBLAS(Nvidia)或 rocBLAS(AMD),則應考慮 I-quants,其格式為 IQX_X,如 IQ3_M。這些 I-quants 較新,在相同大小下性能更好。
需要注意的是,I-quants 可在 CPU 和 Apple Metal 上使用,但速度比同等的 K-quant 慢,因此你需要在速度和性能之間進行權衡。此外,I-quants 與 Vulcan(同樣適用於 AMD)不兼容,如果你使用 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 有支持 ROCm 的預覽版,其他推理引擎也有針對 ROCm 的特定版本。
📚 詳細文檔
量化文件下載
文件名 | 量化類型 | 文件大小 | 拆分情況 | 描述 |
---|---|---|---|---|
DeepHermes-3-Llama-3-8B-Preview-Q8_0.gguf | Q8_0 | 8.54GB | false | 極高質量,通常無需使用,但為最大可用量化級別。 |
DeepHermes-3-Llama-3-8B-Preview-Q6_K_L.gguf | Q6_K_L | 6.85GB | false | 嵌入和輸出權重使用 Q8_0。非常高質量,接近完美,推薦。 |
DeepHermes-3-Llama-3-8B-Preview-Q6_K.gguf | Q6_K | 6.60GB | false | 非常高質量,接近完美,推薦。 |
DeepHermes-3-Llama-3-8B-Preview-Q5_K_L.gguf | Q5_K_L | 6.06GB | false | 嵌入和輸出權重使用 Q8_0。高質量,推薦。 |
DeepHermes-3-Llama-3-8B-Preview-Q5_K_M.gguf | Q5_K_M | 5.73GB | false | 高質量,推薦。 |
DeepHermes-3-Llama-3-8B-Preview-Q5_K_S.gguf | Q5_K_S | 5.60GB | false | 高質量,推薦。 |
DeepHermes-3-Llama-3-8B-Preview-Q4_K_L.gguf | Q4_K_L | 5.31GB | false | 嵌入和輸出權重使用 Q8_0。質量良好,推薦。 |
DeepHermes-3-Llama-3-8B-Preview-Q4_1.gguf | Q4_1 | 5.13GB | false | 舊格式,性能與 Q4_K_S 相似,但在 Apple 硅芯片上的令牌/瓦特性能有所提升。 |
DeepHermes-3-Llama-3-8B-Preview-Q4_K_M.gguf | Q4_K_M | 4.92GB | false | 質量良好,適用於大多數用例的默認大小,推薦。 |
DeepHermes-3-Llama-3-8B-Preview-Q3_K_XL.gguf | Q3_K_XL | 4.78GB | false | 嵌入和輸出權重使用 Q8_0。質量較低但可用,適合內存有限的情況。 |
DeepHermes-3-Llama-3-8B-Preview-Q4_K_S.gguf | Q4_K_S | 4.69GB | false | 質量略低,但節省空間,推薦。 |
DeepHermes-3-Llama-3-8B-Preview-Q4_0.gguf | Q4_0 | 4.68GB | false | 舊格式,支持為 ARM 和 AVX CPU 推理進行在線重新打包。 |
DeepHermes-3-Llama-3-8B-Preview-IQ4_NL.gguf | IQ4_NL | 4.68GB | false | 與 IQ4_XS 相似,但略大。支持為 ARM CPU 推理進行在線重新打包。 |
DeepHermes-3-Llama-3-8B-Preview-IQ4_XS.gguf | IQ4_XS | 4.45GB | false | 質量不錯,比 Q4_K_S 小,性能相似,推薦。 |
DeepHermes-3-Llama-3-8B-Preview-Q3_K_L.gguf | Q3_K_L | 4.32GB | false | 質量較低但可用,適合內存有限的情況。 |
DeepHermes-3-Llama-3-8B-Preview-Q3_K_M.gguf | Q3_K_M | 4.02GB | false | 質量較低。 |
DeepHermes-3-Llama-3-8B-Preview-IQ3_M.gguf | IQ3_M | 3.78GB | false | 中低質量,新方法,性能與 Q3_K_M 相當。 |
DeepHermes-3-Llama-3-8B-Preview-Q2_K_L.gguf | Q2_K_L | 3.69GB | 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。 |
DeepHermes-3-Llama-3-8B-Preview-Q3_K_S.gguf | Q3_K_S | 3.66GB | false | 質量較低,不推薦。 |
DeepHermes-3-Llama-3-8B-Preview-IQ3_XS.gguf | IQ3_XS | 3.52GB | false | 質量較低,新方法,性能不錯,略優於 Q3_K_S。 |
DeepHermes-3-Llama-3-8B-Preview-IQ3_XXS.gguf | IQ3_XXS | 3.27GB | false | 質量較低,新方法,性能不錯,與 Q3 量化相當。 |
DeepHermes-3-Llama-3-8B-Preview-Q2_K.gguf | Q2_K | 3.18GB | false | 質量非常低,但出人意料地可用。 |
DeepHermes-3-Llama-3-8B-Preview-IQ2_M.gguf | IQ2_M | 2.95GB | false | 質量相對較低,使用了最先進的技術,出人意料地可用。 |
嵌入/輸出權重
部分量化模型(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 模型,這些模型的權重在內存中交錯排列,以便在 ARM 和 AVX 機器上通過一次加載更多數據來提高性能。
現在,有了所謂的“在線重新打包”權重功能,詳情見 此 PR。如果你使用 Q4_0 模型,且硬件能從權重重新打包中受益,它將自動即時進行重新打包。
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,如果你想獲得更好的質量,可以使用 IQ4_NL,這得益於 此 PR,它也會為 ARM 重新打包權重,但目前僅支持 4_4 格式。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 模型在理論上的性能提升。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 | 測試類型 | 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。
🔧 技術細節
部分量化模型(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。這種處理方式在一定程度上影響了模型的性能和質量。
📄 許可證
本項目使用 llama3 許可證。
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/輸出實驗方面的啟發。 感謝 LM Studio 對本項目的贊助。
如果你想支持我的工作,請訪問我的 ko-fi 頁面:https://ko-fi.com/bartowski



