模型简介
模型特点
模型能力
使用案例
🚀 TheDrummer的Fallen - Gemma3 - 4B - v1的Llamacpp imatrix量化版本
本项目提供了TheDrummer的Fallen - Gemma3 - 4B - v1模型的量化版本,借助量化技术可在不同硬件条件下更高效地运行该模型。
🚀 快速开始
使用 llama.cpp 发布版本 b4925 进行量化。 原始模型地址:https://huggingface.co/TheDrummer/Fallen-Gemma3-4B-v1 所有量化版本均使用imatrix选项,并采用来自 此处 的数据集。 你可以在 LM Studio 中运行这些量化版本,也可以直接使用 llama.cpp 或任何基于llama.cpp的项目来运行。
✨ 主要特性
- 提供多种量化类型,可根据不同硬件资源和性能需求选择合适的量化版本。
- 部分量化版本对嵌入和输出权重进行特殊处理,以提升性能和质量。
- 支持在线权重重新打包,可自动优化特定硬件的性能。
📦 安装指南
使用huggingface - cli下载
点击查看下载说明
首先,确保你已安装huggingface - cli:
pip install -U "huggingface_hub[cli]"
然后,你可以指定要下载的特定文件:
huggingface-cli download bartowski/TheDrummer_Fallen-Gemma3-4B-v1-GGUF --include "TheDrummer_Fallen-Gemma3-4B-v1-Q4_K_M.gguf" --local-dir ./
如果模型大小超过50GB,它会被拆分为多个文件。若要将它们全部下载到本地文件夹,请运行:
huggingface-cli download bartowski/TheDrummer_Fallen-Gemma3-4B-v1-GGUF --include "TheDrummer_Fallen-Gemma3-4B-v1-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(如TheDrummer_Fallen-Gemma3-4B-v1-Q8_0),也可以将它们全部下载到当前目录(./)。
💻 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
📚 详细文档
下载文件选择
文件名 | 量化类型 | 文件大小 | 拆分情况 | 描述 |
---|---|---|---|---|
Fallen-Gemma3-4B-v1-bf16.gguf | bf16 | 7.77GB | false | 完整的BF16权重。 |
Fallen-Gemma3-4B-v1-Q8_0.gguf | Q8_0 | 4.13GB | false | 极高质量,通常不需要,但为可用的最高量化级别。 |
Fallen-Gemma3-4B-v1-Q6_K_L.gguf | Q6_K_L | 3.35GB | false | 嵌入和输出权重使用Q8_0。非常高质量,接近完美,推荐。 |
Fallen-Gemma3-4B-v1-Q6_K.gguf | Q6_K | 3.19GB | false | 非常高质量,接近完美,推荐。 |
Fallen-Gemma3-4B-v1-Q5_K_L.gguf | Q5_K_L | 2.99GB | false | 嵌入和输出权重使用Q8_0。高质量,推荐。 |
Fallen-Gemma3-4B-v1-Q5_K_M.gguf | Q5_K_M | 2.83GB | false | 高质量,推荐。 |
Fallen-Gemma3-4B-v1-Q5_K_S.gguf | Q5_K_S | 2.76GB | false | 高质量,推荐。 |
Fallen-Gemma3-4B-v1-Q4_K_L.gguf | Q4_K_L | 2.65GB | false | 嵌入和输出权重使用Q8_0。质量良好,推荐。 |
Fallen-Gemma3-4B-v1-Q4_1.gguf | Q4_1 | 2.56GB | false | 旧格式,性能与Q4_K_S相似,但在Apple硅芯片上每瓦处理的令牌数有所提高。 |
Fallen-Gemma3-4B-v1-Q4_K_M.gguf | Q4_K_M | 2.49GB | false | 质量良好,是大多数用例的默认大小,推荐。 |
Fallen-Gemma3-4B-v1-Q3_K_XL.gguf | Q3_K_XL | 2.40GB | false | 嵌入和输出权重使用Q8_0。质量较低但可用,适合低内存情况。 |
Fallen-Gemma3-4B-v1-Q4_K_S.gguf | Q4_K_S | 2.38GB | false | 质量略低,但节省空间,推荐。 |
Fallen-Gemma3-4B-v1-Q4_0.gguf | Q4_0 | 2.37GB | false | 旧格式,支持为ARM和AVX CPU推理进行在线重新打包。 |
Fallen-Gemma3-4B-v1-IQ4_NL.gguf | IQ4_NL | 2.36GB | false | 与IQ4_XS相似,但略大。支持为ARM CPU推理进行在线重新打包。 |
Fallen-Gemma3-4B-v1-IQ4_XS.gguf | IQ4_XS | 2.26GB | false | 质量尚可,比Q4_K_S小,性能相似,推荐。 |
Fallen-Gemma3-4B-v1-Q3_K_L.gguf | Q3_K_L | 2.24GB | false | 质量较低但可用,适合低内存情况。 |
Fallen-Gemma3-4B-v1-Q3_K_M.gguf | Q3_K_M | 2.10GB | false | 质量较低。 |
Fallen-Gemma3-4B-v1-IQ3_M.gguf | IQ3_M | 1.99GB | false | 中低质量,新方法,性能与Q3_K_M相当。 |
Fallen-Gemma3-4B-v1-Q3_K_S.gguf | Q3_K_S | 1.94GB | false | 质量较低,不推荐。 |
Fallen-Gemma3-4B-v1-Q2_K_L.gguf | Q2_K_L | 1.89GB | false | 嵌入和输出权重使用Q8_0。质量非常低,但出人意料地可用。 |
Fallen-Gemma3-4B-v1-IQ3_XS.gguf | IQ3_XS | 1.86GB | false | 质量较低,新方法,性能尚可,略优于Q3_K_S。 |
Fallen-Gemma3-4B-v1-Q2_K.gguf | Q2_K | 1.73GB | false | 质量非常低,但出人意料地可用。 |
Fallen-Gemma3-4B-v1-IQ3_XXS.gguf | IQ3_XXS | 1.69GB | false | 质量较低,新方法,性能尚可,与Q3量化版本相当。 |
Fallen-Gemma3-4B-v1-IQ2_M.gguf | IQ2_M | 1.54GB | false | 质量相对较低,采用了最先进的技术,出人意料地可用。 |
嵌入/输出权重
部分量化版本(如Q3_K_XL、Q4_K_L等)采用标准量化方法,将嵌入和输出权重量化为Q8_0,而非默认值。
ARM/AVX信息
以前,你会下载Q4_0_4_4/4_8/8_8,这些版本的权重会在内存中交错排列,以便通过一次加载更多数据来提高ARM和AVX机器的性能。
然而,现在有了一种称为“在线重新打包”的权重处理方式,详情见 此PR。如果你使用Q4_0,且你的硬件能从重新打包权重中受益,它将自动实时进行处理。
从llama.cpp构建版本 b4282 开始,你将无法运行Q4_0_X_X文件,而需要使用Q4_0。
此外,如果你想获得略高的质量,可以使用IQ4_NL,这得益于 此PR,它也会为ARM重新打包权重,不过目前仅支持4_4。加载时间可能会更长,但总体速度会提高。
点击查看Q4_0_X_X信息(已弃用)
我保留这部分内容是为了展示使用支持在线重新打包的Q4_0在性能上的潜在理论提升。
点击查看AVX2系统(EPYC7702)上的基准测试
模型 | 大小 | 参数 | 后端 | 线程数 | 测试用例 | 每秒令牌数 | 与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在提示处理方面有显著提升,在文本生成方面有小幅提升。
选择合适的文件
点击查看详情
Artefact2提供了一篇很棒的文章,带有展示各种性能的图表,可查看 此处。
首先,你需要确定你能运行多大的模型。为此,你需要了解你有多少内存(RAM)和/或显存(VRAM)。
如果你希望模型运行得尽可能快,你需要将整个模型放入GPU的显存中。选择文件大小比GPU总显存小1 - 2GB的量化版本。
如果你追求绝对的最高质量,将系统内存和GPU显存相加,然后选择文件大小比该总和小1 - 2GB的量化版本。
接下来,你需要决定是使用“I - 量化”还是“K - 量化”。
如果你不想考虑太多,可以选择K - 量化版本。这些版本的格式为“QX_K_X”,如Q5_K_M。
如果你想深入了解,可以查看这个非常有用的特性图表: llama.cpp特性矩阵
但基本上,如果你目标是低于Q4的量化,并且你使用的是cuBLAS(Nvidia)或rocBLAS(AMD),你应该考虑I - 量化版本。这些版本的格式为IQX_X,如IQ3_M。这些是较新的版本,在相同大小下性能更好。
这些I - 量化版本也可以在CPU上使用,但比对应的K - 量化版本慢,因此你需要在速度和性能之间进行权衡。
🔧 技术细节
量化方法
使用llama.cpp的imatrix选项进行量化,结合特定的数据集,以实现高效的模型量化。
在线重新打包
对于支持的硬件,Q4_0和IQ4_NL等量化版本可自动进行在线权重重新打包,以优化性能。
📄 许可证
本项目使用其他许可证,具体详情请参考相关说明。
致谢
感谢kalomaze和Dampf在创建imatrix校准数据集方面提供的帮助。 感谢ZeroWw在嵌入/输出实验方面提供的灵感。 感谢LM Studio对我工作的赞助。
如果你想支持我的工作,请访问我的ko - fi页面:https://ko-fi.com/bartowski



