Google Medgemma - 4b - it開源模型 - 多量化選項滿足不同用戶需求

首頁

Google Medgemma 4b It GGUF

由bartowski開發

這是Google的medgemma-4b-it模型的Llamacpp imatrix量化版本，提供了多種量化選項，適用於不同需求的用戶。

大型語言模型開源協議:其他 #醫療對話模型 #多量化版本 #低內存優化

下載量 348

發布時間 : 7/12/2025

模型概述

該項目是對Google的medgemma-4b-it模型進行的Llamacpp imatrix量化處理，提供了多種量化版本，可在LM Studio或基於llama.cpp的項目中運行。

模型特點

多量化類型

提供了多種量化類型的文件，如bf16、Q8_0、Q6_K_L等，滿足不同用戶對模型質量和文件大小的需求。

在線重打包

部分量化版本支持在線重打包，可自動優化硬件性能。

特定權重處理

部分量化版本將嵌入和輸出權重量化為Q8_0，提高模型質量。

模型能力

文本生成

醫療文本處理

多輪對話

使用案例

醫療健康

醫療問答

用於回答醫療相關問題，提供專業的醫療建議。

病歷生成

根據患者症狀生成初步的病歷記錄。

教育

醫學教育

用於醫學教育中的知識問答和解釋。

🚀 Google Medgemma-4b-it的Llamacpp Imatrix量化版本

本項目是對Google的medgemma-4b-it模型進行的Llamacpp imatrix量化處理。它使用特定的量化方法和數據集，為不同需求的用戶提供了多種量化版本的選擇，可在LM Studio或基於llama.cpp的項目中運行。

🚀 快速開始

使用 llama.cpp 發佈版本 b5868 進行量化。原始模型地址：https://huggingface.co/google/medgemma-4b-it 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 或其他基於llama.cpp的項目來運行。

✨ 主要特性

多量化類型：提供了多種量化類型的文件，如bf16、Q8_0、Q6_K_L等，滿足不同用戶對模型質量和文件大小的需求。
在線重打包：部分量化版本支持在線重打包，可自動優化硬件性能。
特定權重處理：部分量化版本將嵌入和輸出權重量化為Q8_0，提高模型質量。

📦 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/google_medgemma-4b-it-GGUF --include "google_medgemma-4b-it-Q4_K_M.gguf" --local-dir ./ ``` 如果模型大小超過50GB，它會被分割成多個文件。若要將它們全部下載到本地文件夾，請運行： ``` huggingface-cli download bartowski/google_medgemma-4b-it-GGUF --include "google_medgemma-4b-it-Q8_0/*" --local-dir ./ ``` 你可以指定一個新的本地目錄（google_medgemma-4b-it-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	分割情況	描述
medgemma-4b-it-bf16.gguf	bf16	7.77GB	否	完整的BF16權重。
medgemma-4b-it-Q8_0.gguf	Q8_0	4.13GB	否	極高質量，通常不需要，但提供最大可用量化。
medgemma-4b-it-Q6_K_L.gguf	Q6_K_L	3.35GB	否	將嵌入和輸出權重量化為Q8_0。非常高質量，接近完美，推薦。
medgemma-4b-it-Q6_K.gguf	Q6_K	3.19GB	否	非常高質量，接近完美，推薦。
medgemma-4b-it-Q5_K_L.gguf	Q5_K_L	2.99GB	否	將嵌入和輸出權重量化為Q8_0。高質量，推薦。
medgemma-4b-it-Q5_K_M.gguf	Q5_K_M	2.83GB	否	高質量，推薦。
medgemma-4b-it-Q5_K_S.gguf	Q5_K_S	2.76GB	否	高質量，推薦。
medgemma-4b-it-Q4_K_L.gguf	Q4_K_L	2.65GB	否	將嵌入和輸出權重量化為Q8_0。質量良好，推薦。
medgemma-4b-it-Q4_1.gguf	Q4_1	2.56GB	否	舊格式，性能與Q4_K_S相似，但在Apple硅芯片上每瓦令牌數有所提高。
medgemma-4b-it-Q4_K_M.gguf	Q4_K_M	2.49GB	否	質量良好，適用於大多數用例的默認大小，推薦。
medgemma-4b-it-Q3_K_XL.gguf	Q3_K_XL	2.40GB	否	將嵌入和輸出權重量化為Q8_0。質量較低但可用，適合低內存情況。
medgemma-4b-it-Q4_K_S.gguf	Q4_K_S	2.38GB	否	質量稍低，但節省空間，推薦。
medgemma-4b-it-Q4_0.gguf	Q4_0	2.37GB	否	舊格式，支持ARM和AVX CPU推理的在線重打包。
medgemma-4b-it-IQ4_NL.gguf	IQ4_NL	2.36GB	否	與IQ4_XS相似，但稍大。支持ARM CPU推理的在線重打包。
medgemma-4b-it-IQ4_XS.gguf	IQ4_XS	2.26GB	否	質量不錯，比Q4_K_S小，性能相似，推薦。
medgemma-4b-it-Q3_K_L.gguf	Q3_K_L	2.24GB	否	質量較低但可用，適合低內存情況。
medgemma-4b-it-Q3_K_M.gguf	Q3_K_M	2.10GB	否	低質量。
medgemma-4b-it-IQ3_M.gguf	IQ3_M	1.99GB	否	中低質量，新方法，性能與Q3_K_M相當。
medgemma-4b-it-Q3_K_S.gguf	Q3_K_S	1.94GB	否	低質量，不推薦。
medgemma-4b-it-Q2_K_L.gguf	Q2_K_L	1.89GB	否	將嵌入和輸出權重量化為Q8_0。質量非常低，但出人意料地可用。
medgemma-4b-it-IQ3_XS.gguf	IQ3_XS	1.86GB	否	質量較低，新方法，性能不錯，略優於Q3_K_S。
medgemma-4b-it-Q2_K.gguf	Q2_K	1.73GB	否	質量非常低，但出人意料地可用。
medgemma-4b-it-IQ3_XXS.gguf	IQ3_XXS	1.69GB	否	質量較低，新方法，性能不錯，與Q3量化相當。

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，而非通常的默認值。

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，現在有了一種名為“在線重打包”的權重處理方式，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，如果你想獲得稍好的質量，可以使用IQ4_NL，感謝此PR，它也會為ARM重打包權重，但目前僅適用於4_4。加載時間可能會較慢，但總體速度會提高。

選擇哪個文件？

點擊查看詳情

Artefact2 提供了一份很棒的帶有圖表的文章，展示了各種性能情況，鏈接為 [此處](https://gist.github.com/Artefact2/b5f810600771265fc1e39442288e8ec9) 首先，你需要確定能運行多大的模型。這需要你瞭解自己擁有多少內存（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，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](https://github.com/ggerganov/llama.cpp/wiki/Feature-matrix) 但基本上，如果你目標是低於Q4的量化，並且使用cuBLAS（Nvidia）或rocBLAS（AMD），你應該考慮I - 量化版本，格式為IQX_X，如IQ3_M。這些是較新的版本，在相同大小下提供更好的性能。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，所以你需要在速度和性能之間做出權衡。

🔧 技術細節

本項目使用特定版本的llama.cpp進行量化，通過imatrix選項和特定數據集生成多個量化版本。部分量化版本對嵌入和輸出權重進行特殊處理，以提高模型質量。同時，引入了在線重打包技術，優化ARM和AVX機器的性能。

📄 許可證

要訪問Hugging Face上的MedGemma，你需要審查並同意 Health AI Developer Foundation的使用條款。請確保你已登錄Hugging Face，然後點擊下方按鈕。請求將立即處理。許可證鏈接：https://developers.google.com/health-ai-developer-foundations/terms