Mistral 7B Instruct V0.1 GGUF

🚀 Mistral-7B-Instruct-v0.1 GGUF模型

本项目提供了Mistral-7B-Instruct-v0.1的GGUF模型，采用了超低比特量化技术，在保证模型精度的同时，极大地提高了内存使用效率。这些模型适用于多种硬件环境，可根据不同的需求进行选择。

🚀 快速开始

如果你想使用这些模型，可以根据自己的硬件能力和内存限制选择合适的模型格式。同时，项目还提供了模型的使用示例和测试方法，帮助你快速上手。

✨ 主要特性

• 超低比特量化：引入了精度自适应量化方法，用于超低比特模型（1 - 2比特），在Llama - 3 - 8B上经过基准测试验证，能在保持极端内存效率的同时保留精度。
• 多种模型格式：提供了BF16、F16、量化模型（Q4_K、Q6_K、Q8等）以及超低比特量化模型（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）等多种格式，满足不同硬件和应用场景的需求。
• 广泛的应用场景：适用于GPU、CPU和边缘设备，可用于内存受限的部署、超低比特量化研究等。

📦 安装指南

若在使用模型时遇到如下错误：

Traceback (most recent call last):
File "", line 1, in
File "/transformers/models/auto/auto_factory.py", line 482, in from_pretrained
config, kwargs = AutoConfig.from_pretrained(
File "/transformers/models/auto/configuration_auto.py", line 1022, in from_pretrained
config_class = CONFIG_MAPPING[config_dict["model_type"]]
File "/transformers/models/auto/configuration_auto.py", line 723, in getitem
raise KeyError(key)
KeyError: 'mistral'

可以通过从源代码安装transformers来解决问题：

pip install git+https://github.com/huggingface/transformers

在transformers - v4.33.4之后，此操作应该不再需要。

💻 使用示例

基础用法

以下是使用mistral_common进行编码和解码的示例：

from mistral_common.tokens.tokenizers.mistral import MistralTokenizer
from mistral_common.protocol.instruct.messages import UserMessage
from mistral_common.protocol.instruct.request import ChatCompletionRequest

mistral_models_path = "MISTRAL_MODELS_PATH"

tokenizer = MistralTokenizer.v1()

completion_request = ChatCompletionRequest(messages=[UserMessage(content="Explain Machine Learning to me in a nutshell.")])

tokens = tokenizer.encode_chat_completion(completion_request).tokens

高级用法

以下是使用mistral_inference进行推理的示例：

from mistral_inference.transformer import Transformer
from mistral_inference.generate import generate

model = Transformer.from_folder(mistral_models_path)
out_tokens, _ = generate([tokens], model, max_tokens=64, temperature=0.0, eos_id=tokenizer.instruct_tokenizer.tokenizer.eos_id)

result = tokenizer.decode(out_tokens[0])

print(result)

其他用法

使用Hugging Face的transformers库进行推理：

from transformers import AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("mistralai/Mistral-7B-Instruct-v0.1")
model.to("cuda")

generated_ids = model.generate(tokens, max_new_tokens=1000, do_sample=True)

# decode with mistral tokenizer
result = tokenizer.decode(generated_ids[0].tolist())
print(result)

📚 详细文档

超低比特量化方法

基准测试背景

所有测试均在Llama - 3 - 8B - Instruct上进行，使用标准困惑度评估管道、2048令牌上下文窗口，并在所有量化中使用相同的提示集。

方法

• 动态精度分配：
  • 前/后25%的层 → IQ4_XS（选定层）
  • 中间50% → IQ2_XXS/IQ3_S（提高效率）
• 关键组件保护：
  • 嵌入/输出层使用Q5_K
  • 与标准1 - 2比特量化相比，误差传播降低38%

量化性能比较（Llama - 3 - 8B）

关键改进：

• 🔥 IQ1_M的困惑度大幅降低43.9%（从27.46降至15.41）
• 🚀 IQ2_S的困惑度降低36.9%，同时仅增加0.2GB
• ⚡ IQ1_S尽管是1比特量化，但仍保持39.7%的精度提升

权衡：

• 所有变体的大小均有适度增加（0.1 - 0.3GB）
• 推理速度相当（差异<5%）

使用场景

• 📌 将模型装入GPU VRAM
• ✔ 内存受限的部署
• ✔ 可容忍1 - 2比特误差的CPU和边缘设备
• ✔ 超低比特量化研究

选择合适的模型格式

选择正确的模型格式取决于你的硬件能力和内存限制。

BF16（Brain Float 16） – 若支持BF16加速则使用

• 一种16位浮点格式，专为更快的计算而设计，同时保留良好的精度。
• 提供与FP32相似的动态范围，但内存使用更低。
• 若你的硬件支持BF16加速（检查设备规格），建议使用。
• 与FP32相比，适用于具有减少内存占用的高性能推理。

📌 使用BF16的情况：

• ✔ 你的硬件具有原生BF16支持（如较新的GPU、TPU）。
• ✔ 你希望在节省内存的同时获得更高的精度。
• ✔ 你计划将模型重新量化为另一种格式。

📌 避免使用BF16的情况：

• ❌ 你的硬件不支持BF16（可能会回退到FP32并运行较慢）。
• ❌ 你需要与缺乏BF16优化的旧设备兼容。

F16（Float 16） – 比BF16更广泛支持

• 一种16位浮点格式，具有较高的精度，但值的范围比BF16小。
• 适用于大多数支持FP16加速的设备（包括许多GPU和一些CPU）。
• 数值精度略低于BF16，但通常足以进行推理。

📌 使用F16的情况：

• ✔ 你的硬件支持FP16但不支持BF16。
• ✔ 你需要在速度、内存使用和准确性之间取得平衡。
• ✔ 你在GPU或其他针对FP16计算优化的设备上运行。

📌 避免使用F16的情况：

• ❌ 你的设备缺乏原生FP16支持（可能会比预期运行得慢）。
• ❌ 你有内存限制。

量化模型（Q4_K、Q6_K、Q8等） – 用于CPU和低VRAM推理

量化可在尽可能保持准确性的同时减小模型大小和内存使用。

• 低比特模型（Q4_K） → 最适合最小的内存使用，可能精度较低。
• 高比特模型（Q6_K、Q8_0） → 更好的准确性，需要更多内存。

📌 使用量化模型的情况：

• ✔ 你在CPU上运行推理，需要优化的模型。
• ✔ 你的设备VRAM较低，无法加载全精度模型。
• ✔ 你希望在保持合理准确性的同时减少内存占用。

📌 避免使用量化模型的情况：

• ❌ 你需要最高的准确性（全精度模型更适合）。
• ❌ 你的硬件有足够的VRAM用于更高精度的格式（BF16/F16）。

极低比特量化（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）

这些模型针对极端内存效率进行了优化，非常适合低功耗设备或大规模部署，其中内存是关键限制因素。

• IQ3_XS：超低比特量化（3比特），具有极端的内存效率。
  • 使用场景：最适合超低内存设备，即使Q4_K也太大。
  • 权衡：与高比特量化相比，准确性较低。
• IQ3_S：小块大小，以实现最大内存效率。
  • 使用场景：最适合低内存设备，其中IQ3_XS过于激进。
• IQ3_M：中等块大小，比IQ3_S具有更好的准确性。
  • 使用场景：适用于低内存设备，其中IQ3_S过于受限。
• Q4_K：4比特量化，具有逐块优化，以提高准确性。
  • 使用场景：最适合低内存设备，其中Q6_K太大。
• Q4_0：纯4比特量化，针对ARM设备进行了优化。
  • 使用场景：最适合低内存环境。

模型格式选择总结表

包含的文件及详情

• Mistral-7B-Instruct-v0.1-bf16.gguf：模型权重保存为BF16。如果你想将模型重新量化为不同的格式，请使用此文件。若你的设备支持BF16加速，效果最佳。
• Mistral-7B-Instruct-v0.1-f16.gguf：模型权重存储为F16。若你的设备支持FP16，尤其是当BF16不可用时，使用此文件。
• Mistral-7B-Instruct-v0.1-bf16-q8_0.gguf：输出和嵌入保持为BF16，所有其他层量化为Q8_0。若你的设备支持BF16且你想要量化版本，使用此文件。
• Mistral-7B-Instruct-v0.1-f16-q8_0.gguf：输出和嵌入保持为F16，所有其他层量化为Q8_0。
• Mistral-7B-Instruct-v0.1-q4_k.gguf：输出和嵌入量化为Q8_0，所有其他层量化为Q4_K。适用于CPU推理，内存有限。
• Mistral-7B-Instruct-v0.1-q4_k_s.gguf：最小的Q4_K变体，以牺牲准确性为代价使用更少的内存。最适合极低内存设置。
• Mistral-7B-Instruct-v0.1-q6_k.gguf：输出和嵌入量化为Q8_0，所有其他层量化为Q6_K。
• Mistral-7B-Instruct-v0.1-q8_0.gguf：完全Q8量化的模型，以获得更好的准确性。需要更多内存，但提供更高的精度。
• Mistral-7B-Instruct-v0.1-iq3_xs.gguf：IQ3_XS量化，针对极端内存效率进行了优化。最适合超低内存设备。
• Mistral-7B-Instruct-v0.1-iq3_m.gguf：IQ3_M量化，提供中等块大小，以提高准确性。适用于低内存设备。
• Mistral-7B-Instruct-v0.1-q4_0.gguf：纯Q4_0量化，针对ARM设备进行了优化。最适合低内存环境。

测试模型

如果你发现这些模型有用，请点击“点赞”！同时，帮助测试AI驱动的网络监控助手，进行量子就绪安全检查： 👉 免费网络监控器

测试方法

1. 点击聊天图标（任何页面的右下角）
2. 选择一个AI助手类型：
   • TurboLLM (GPT - 4 - mini)
   • FreeLLM (开源)
   • TestLLM (仅实验性CPU)

测试内容

正在推动小型开源模型用于AI网络监控的极限，具体包括：

• 针对实时网络服务的函数调用
• 模型可以多小，同时仍能处理：
  • 自动化Nmap扫描
  • 量子就绪检查
  • Metasploit集成

不同助手介绍

• 🟡 TestLLM – 当前实验模型（llama.cpp在6个CPU线程上）：
  • ✅ 零配置设置
  • ⏳ 30秒加载时间（推理慢，但无API成本）
  • 🔧 寻求帮助！ 如果你对边缘设备AI感兴趣，让我们合作！
• 🟢 TurboLLM – 使用gpt - 4 - mini进行：
  • 实时网络诊断
  • 自动化渗透测试（Nmap/Metasploit）
  • 🔑 通过下载我们的免费网络监控代理获得更多令牌。
• 🔵 HugLLM – 开源模型（≈8B参数）：
  • 比TurboLLM多2倍的令牌
  • AI驱动的日志分析
  • 🌐 在Hugging Face推理API上运行。

示例AI命令测试

1. "Give me info on my websites SSL certificate"
2. "Check if my server is using quantum safe encyption for communication"
3. "Run a quick Nmap vulnerability test"

指令格式

为了利用指令微调，你的提示应该用[INST]和[/INST]标记包围。第一个指令应该以句子开始ID开头，后续指令则不需要。助手生成将由句子结束令牌ID结束。

例如：

text = "<s>[INST] What is your favourite condiment? [/INST]"
"Well, I'm quite partial to a good squeeze of fresh lemon juice. It adds just the right amount of zesty flavour to whatever I'm cooking up in the kitchen!</s> "
"[INST] Do you have mayonnaise recipes? [/INST]"

这种格式可以通过apply_chat_template()方法作为聊天模板使用：

from transformers import AutoModelForCausalLM, AutoTokenizer

device = "cuda" # the device to load the model onto

model = AutoModelForCausalLM.from_pretrained("mistralai/Mistral-7B-Instruct-v0.1")
tokenizer = AutoTokenizer.from_pretrained("mistralai/Mistral-7B-Instruct-v0.1")

messages = [
    {"role": "user", "content": "What is your favourite condiment?"},
    {"role": "assistant", "content": "Well, I'm quite partial to a good squeeze of fresh lemon juice. It adds just the right amount of zesty flavour to whatever I'm cooking up in the kitchen!"},
    {"role": "user", "content": "Do you have mayonnaise recipes?"}
]

encodeds = tokenizer.apply_chat_template(messages, return_tensors="pt")

model_inputs = encodeds.to(device)
model.to(device)

generated_ids = model.generate(model_inputs, max_new_tokens=1000, do_sample=True)
decoded = tokenizer.batch_decode(generated_ids)
print(decoded[0])

🔧 技术细节

模型架构

此指令模型基于Mistral - 7B - v0.1，这是一个具有以下架构选择的Transformer模型：

• 分组查询注意力
• 滑动窗口注意力
• 字节回退BPE分词器

📄 许可证

本项目采用Apache - 2.0许可证。

⚠️ 重要提示

Mistral 7B指令模型是一个快速演示，表明基础模型可以很容易地进行微调以实现引人注目的性能。它没有任何审核机制。期待与社区合作，使模型能够更好地遵守规则，以便在需要审核输出的环境中部署。

团队成员

Albert Jiang, Alexandre Sablayrolles, Arthur Mensch, Chris Bamford, Devendra Singh Chaplot, Diego de las Casas, Florian Bressand, Gianna Lengyel, Guillaume Lample, Lélio Renard Lavaud, Lucile Saulnier, Marie - Anne Lachaux, Pierre Stock, Teven Le Scao, Thibaut Lavril, Thomas Wang, Timothée Lacroix, William El Sayed.