模型概述
模型特點
模型能力
使用案例
🚀 EXAONE-3.5-32B-Instruct的Llamacpp imatrix量化
本項目使用 llama.cpp 的 b4273 版本進行量化。
原始模型:https://huggingface.co/LGAI-EXAONE/EXAONE-3.5-32B-Instruct
所有量化均使用 imatrix 選項,並採用了來自 此處 的數據集。
你可以在 LM Studio 中運行這些量化模型。
✨ 主要特性
- 使用特定版本的 llama.cpp 進行量化,確保量化的準確性和穩定性。
- 提供多種量化類型供選擇,以滿足不同的性能和質量需求。
- 支持在 LM Studio 中運行,方便用戶進行模型測試和使用。
📦 安裝指南
使用huggingface-cli下載
點擊查看下載說明
首先,確保你已經安裝了 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/EXAONE-3.5-32B-Instruct-GGUF --include "EXAONE-3.5-32B-Instruct-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。若要將它們全部下載到本地文件夾,請運行:
huggingface-cli download bartowski/EXAONE-3.5-32B-Instruct-GGUF --include "EXAONE-3.5-32B-Instruct-Q8_0/*" --local-dir ./
你可以指定一個新的本地目錄(如 EXAONE-3.5-32B-Instruct-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
[|system|]{system_prompt}[|endofturn|]
[|user|]{prompt}
[|assistant|]
📚 詳細文檔
下載文件信息
文件名 | 量化類型 | 文件大小 | 分割 | 描述 |
---|---|---|---|---|
EXAONE-3.5-32B-Instruct-f16.gguf | f16 | 64.01GB | true | 完整的 F16 權重。 |
EXAONE-3.5-32B-Instruct-Q8_0.gguf | Q8_0 | 34.01GB | false | 極高質量,通常不需要,但為最大可用量化。 |
EXAONE-3.5-32B-Instruct-Q6_K_L.gguf | Q6_K_L | 26.51GB | false | 嵌入和輸出權重使用 Q8_0。非常高質量,接近完美,推薦。 |
EXAONE-3.5-32B-Instruct-Q6_K.gguf | Q6_K | 26.26GB | false | 非常高質量,接近完美,推薦。 |
EXAONE-3.5-32B-Instruct-Q5_K_L.gguf | Q5_K_L | 23.02GB | false | 嵌入和輸出權重使用 Q8_0。高質量,推薦。 |
EXAONE-3.5-32B-Instruct-Q5_K_M.gguf | Q5_K_M | 22.70GB | false | 高質量,推薦。 |
EXAONE-3.5-32B-Instruct-Q5_K_S.gguf | Q5_K_S | 22.08GB | false | 高質量,推薦。 |
EXAONE-3.5-32B-Instruct-Q4_K_L.gguf | Q4_K_L | 19.73GB | false | 嵌入和輸出權重使用 Q8_0。質量良好,推薦。 |
EXAONE-3.5-32B-Instruct-Q4_K_M.gguf | Q4_K_M | 19.34GB | false | 質量良好,是大多數用例的默認大小,推薦。 |
EXAONE-3.5-32B-Instruct-Q4_K_S.gguf | Q4_K_S | 18.29GB | false | 質量略低,但節省更多空間,推薦。 |
EXAONE-3.5-32B-Instruct-Q4_0.gguf | Q4_0 | 18.21GB | false | 舊格式,支持為 ARM CPU 推理進行在線重新打包。 |
EXAONE-3.5-32B-Instruct-IQ4_NL.gguf | IQ4_NL | 18.19GB | false | 類似於 IQ4_XS,但略大。支持為 ARM CPU 推理進行在線重新打包。 |
EXAONE-3.5-32B-Instruct-Q4_0_8_8.gguf | Q4_0_8_8 | 18.14GB | false | 針對 ARM 和 AVX 推理進行了優化。ARM 需要 'sve' 支持(詳見下文)。請勿在 Mac 上使用。 |
EXAONE-3.5-32B-Instruct-Q4_0_4_8.gguf | Q4_0_4_8 | 18.14GB | false | 針對 ARM 推理進行了優化。需要 'i8mm' 支持(詳見下文)。請勿在 Mac 上使用。 |
EXAONE-3.5-32B-Instruct-Q4_0_4_4.gguf | Q4_0_4_4 | 18.14GB | false | 針對 ARM 推理進行了優化。應適用於所有 ARM 芯片,不適用於 GPU。請勿在 Mac 上使用。 |
EXAONE-3.5-32B-Instruct-Q3_K_XL.gguf | Q3_K_XL | 17.25GB | 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。 |
EXAONE-3.5-32B-Instruct-IQ4_XS.gguf | IQ4_XS | 17.21GB | false | 質量不錯,比 Q4_K_S 小且性能相似,推薦。 |
EXAONE-3.5-32B-Instruct-Q3_K_L.gguf | Q3_K_L | 16.80GB | false | 質量較低但可用,適合低內存情況。 |
EXAONE-3.5-32B-Instruct-Q3_K_M.gguf | Q3_K_M | 15.49GB | false | 質量低。 |
EXAONE-3.5-32B-Instruct-IQ3_M.gguf | IQ3_M | 14.38GB | false | 中低質量,新方法,性能與 Q3_K_M 相當。 |
EXAONE-3.5-32B-Instruct-Q3_K_S.gguf | Q3_K_S | 13.96GB | false | 質量低,不推薦。 |
EXAONE-3.5-32B-Instruct-IQ3_XS.gguf | IQ3_XS | 13.28GB | false | 質量較低,新方法,性能不錯,略優於 Q3_K_S。 |
EXAONE-3.5-32B-Instruct-Q2_K_L.gguf | Q2_K_L | 12.44GB | false | 嵌入和輸出權重使用 Q8_0。質量極低但意外可用。 |
EXAONE-3.5-32B-Instruct-Q2_K.gguf | Q2_K | 11.93GB | false | 質量極低但意外可用。 |
EXAONE-3.5-32B-Instruct-IQ2_M.gguf | IQ2_M | 10.90GB | false | 質量相對較低,使用最新技術意外可用。 |
EXAONE-3.5-32B-Instruct-IQ2_S.gguf | IQ2_S | 10.03GB | false | 質量低,使用最新技術可用。 |
EXAONE-3.5-32B-Instruct-IQ2_XS.gguf | IQ2_XS | 9.62GB | false | 質量低,使用最新技術可用。 |
EXAONE-3.5-32B-Instruct-IQ2_XXS.gguf | IQ2_XXS | 8.70GB | false | 質量極低,使用最新技術可用。 |
嵌入/輸出權重
部分量化(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。
Q4_0_X_X 信息
新特性:由於 此 PR 對權重進行了在線重新打包,如果你為 ARM 設備編譯了 llama.cpp,現在可以直接使用 Q4_0。
同樣,如果你想獲得更好的性能,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
這些量化 *不適用於* Metal(蘋果)或 GPU(英偉達/AMD/英特爾)卸載,僅適用於 ARM 芯片(以及某些 AVX2/AVX512 CPU)。如果你使用的是 ARM 芯片,Q4_0_X_X 量化將顯著提高速度。查看 原始拉取請求 中的 Q4_0_4_4 速度比較。
要檢查哪個量化最適合你的 ARM 芯片,你可以查看 AArch64 SoC 特性(感謝 EloyOn!)。
如果你使用的是支持 AVX2 或 AVX512 的 CPU(通常是服務器 CPU 和 AMD 最新的 Zen5 CPU),並且不進行 GPU 卸載,Q4_0_8_8 也可能提供不錯的速度:
點擊查看 AVX2 系統(EPYC7702)上的基準測試
模型 | 大小 | 參數 | 後端 | 線程 | 測試 | 每秒吞吐量 | 相對 Q4_0 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,點擊此處查看
首先要確定你能運行多大的模型。為此,你需要了解自己有多少內存(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 的量化模型。
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,可以選擇 K 量化。這些量化的格式為 '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:
但基本上,如果你目標是低於 Q4 的量化,並且使用 cuBLAS(英偉達)或 rocBLAS(AMD),你應該考慮 I 量化。這些量化的格式為 IQX_X,如 IQ3_M。這些是較新的量化,在相同大小下提供更好的性能。
這些 I 量化也可以在 CPU 和蘋果 Metal 上使用,但比等效的 K 量化慢,因此你需要在速度和性能之間進行權衡。
I 量化 不兼容 Vulcan(也是 AMD),所以如果你有 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。
🔧 技術細節
本項目使用 llama.cpp 的特定版本(b4273)進行量化,利用 imatrix 選項和特定數據集完成量化過程。部分量化採用特殊方式處理嵌入和輸出權重,以提升性能和質量。同時,針對不同硬件和使用場景,提供了多種量化類型供選擇,以平衡速度、質量和內存佔用。
📄 許可證
本項目採用 exaone 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/輸出實驗方面提供的靈感。
如果你想支持作者的工作,可以訪問作者的 ko-fi 頁面:點擊此處



