Nvidia Llama 3.1 Nemotron Nano 4B V1.1 GGUF

🚀 NVIDIA Llama-3.1-Nemotron-Nano-4B-v1.1的Llamacpp imatrix量化版本

本項目提供了基於llama.cpp對NVIDIA的Llama-3.1-Nemotron-Nano-4B-v1.1模型進行量化的版本。通過不同的量化類型，用戶可以根據自身硬件條件和需求選擇合適的模型文件，以在性能和質量之間取得平衡。

基本信息

🚀 快速開始

本項目使用 llama.cpp 的 b5432 版本進行量化。原始模型可從 這裡 獲取。

所有量化模型均使用 imatrix 選項和 此數據集 生成。你可以在 LM Studio 中運行這些模型，也可以直接使用 llama.cpp 或其他基於 llama.cpp 的項目運行。

✨ 主要特性

• 多種量化類型：提供了豐富的量化類型，如 bf16、Q8_0、Q6_K_L 等，滿足不同硬件和性能需求。
• 在線重打包：部分量化類型支持在線重打包，可自動優化權重以提高在 ARM 和 AVX 機器上的性能。
• 靈活選擇：用戶可以根據自身的 RAM、VRAM 以及對性能和質量的要求，選擇合適的量化模型。

📦 安裝指南

使用huggingface-cli下載

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具體文件：

huggingface-cli download bartowski/nvidia_Llama-3.1-Nemotron-Nano-4B-v1.1-GGUF --include "nvidia_Llama-3.1-Nemotron-Nano-4B-v1.1-Q4_K_M.gguf" --local-dir ./

如果模型文件大於 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，可運行：

huggingface-cli download bartowski/nvidia_Llama-3.1-Nemotron-Nano-4B-v1.1-GGUF --include "nvidia_Llama-3.1-Nemotron-Nano-4B-v1.1-Q8_0/*" --local-dir ./

你可以指定一個新的本地目錄，也可以將它們下載到當前目錄。

💻 使用示例

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|>

📚 詳細文檔

下載文件列表

嵌入/輸出權重

部分量化類型（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，這些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。

現在，有了所謂的“在線重打包”權重功能，詳情見 此PR。如果你使用 Q4_0 且硬件能從權重重打包中受益，它將自動即時進行重打包。

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，如果你想獲得略高的質量，可以使用 IQ4_NL，感謝 此PR，它也會為 ARM 重打包權重，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。

選擇哪個文件？

Artefact2 提供了一篇很棒的文章，帶有展示各種性能的圖表，點擊查看。

首先，你需要確定能運行多大的模型。為此，你需要了解自己有多少 RAM 和/或 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 VRAM 中。選擇文件大小比 GPU 總 VRAM 小 1 - 2GB 的量化模型。

如果你追求絕對最高質量，將系統 RAM 和 GPU 的 VRAM 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 - 量化之一。這些格式為 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，並且你使用的是 cuBLAS（Nvidia）或 rocBLAS（AMD），你應該考慮 I - 量化。這些格式為 IQX_X，如 IQ3_M。這些是較新的量化類型，在相同大小下提供更好的性能。

這些 I - 量化也可以在 CPU 上使用，但比相應的 K - 量化慢，因此你需要在速度和性能之間做出權衡。

🔧 技術細節

在線重打包

在線重打包是一種優化權重的技術，可提高模型在 ARM 和 AVX 機器上的性能。通過在運行時自動調整權重的存儲方式，使得一次加載更多數據，從而減少內存訪問次數，提高計算效率。

量化類型選擇

不同的量化類型在性能和質量上存在差異。例如，Q8_0 提供了極高的質量，但文件大小較大；而 IQ3_M 等 I - 量化類型在較小的文件大小下提供了較好的性能。用戶可以根據自身的硬件條件和需求，選擇合適的量化類型。

📄 許可證

本項目使用 nvidia-open-model-license 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 提供的嵌入/輸出實驗靈感。

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