模型简介
模型特点
模型能力
使用案例
🚀 Tesslate的Tessa-T1-3B的Llamacpp imatrix量化版本
本项目使用 llama.cpp 的 b4978 版本进行量化。
原始模型:https://huggingface.co/Tesslate/Tessa-T1-3B
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
- 使用特定版本的llama.cpp进行量化,保证量化的准确性和稳定性。
- 提供多种量化类型供选择,以满足不同的性能和质量需求。
- 支持在LM Studio和基于llama.cpp的项目中运行。
📦 安装指南
安装huggingface-cli
首先,确保你已经安装了huggingface-cli:
pip install -U "huggingface_hub[cli]"
下载特定文件
你可以指定要下载的特定文件:
huggingface-cli download bartowski/Tesslate_Tessa-T1-3B-GGUF --include "Tesslate_Tessa-T1-3B-Q4_K_M.gguf" --local-dir ./
下载分割文件
如果模型大小超过50GB,它会被分割成多个文件。要将它们全部下载到本地文件夹,请运行:
huggingface-cli download bartowski/Tesslate_Tessa-T1-3B-GGUF --include "Tesslate_Tessa-T1-3B-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(如Tesslate_Tessa-T1-3B-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
<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
📚 详细文档
下载文件选择
文件名 | 量化类型 | 文件大小 | 分割情况 | 描述 |
---|---|---|---|---|
Tessa-T1-3B-bf16.gguf | bf16 | 6.18GB | 否 | 完整的BF16权重。 |
Tessa-T1-3B-Q8_0.gguf | Q8_0 | 3.29GB | 否 | 极高质量,通常不需要,但为最大可用量化。 |
Tessa-T1-3B-Q6_K_L.gguf | Q6_K_L | 2.61GB | 否 | 嵌入和输出权重使用Q8_0。非常高质量,接近完美,推荐。 |
Tessa-T1-3B-Q6_K.gguf | Q6_K | 2.54GB | 否 | 非常高质量,接近完美,推荐。 |
Tessa-T1-3B-Q5_K_L.gguf | Q5_K_L | 2.30GB | 否 | 嵌入和输出权重使用Q8_0。高质量,推荐。 |
Tessa-T1-3B-Q5_K_M.gguf | Q5_K_M | 2.22GB | 否 | 高质量,推荐。 |
Tessa-T1-3B-Q5_K_S.gguf | Q5_K_S | 2.17GB | 否 | 高质量,推荐。 |
Tessa-T1-3B-Q4_K_L.gguf | Q4_K_L | 2.01GB | 否 | 嵌入和输出权重使用Q8_0。良好质量,推荐。 |
Tessa-T1-3B-Q4_1.gguf | Q4_1 | 2.00GB | 否 | 旧格式,性能与Q4_K_S相似,但在苹果硅芯片上每瓦令牌数有所提高。 |
Tessa-T1-3B-Q4_K_M.gguf | Q4_K_M | 1.93GB | 否 | 良好质量,大多数用例的默认大小,推荐。 |
Tessa-T1-3B-Q4_K_S.gguf | Q4_K_S | 1.83GB | 否 | 质量稍低,但节省更多空间,推荐。 |
Tessa-T1-3B-Q4_0.gguf | Q4_0 | 1.83GB | 否 | 旧格式,为ARM和AVX CPU推理提供在线重新打包。 |
Tessa-T1-3B-IQ4_NL.gguf | IQ4_NL | 1.83GB | 否 | 与IQ4_XS相似,但稍大。为ARM CPU推理提供在线重新打包。 |
Tessa-T1-3B-Q3_K_XL.gguf | Q3_K_XL | 1.78GB | 否 | 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。 |
Tessa-T1-3B-IQ4_XS.gguf | IQ4_XS | 1.74GB | 否 | 质量不错,比Q4_K_S小,性能相似,推荐。 |
Tessa-T1-3B-Q3_K_L.gguf | Q3_K_L | 1.71GB | 否 | 质量较低但可用,适合低内存情况。 |
Tessa-T1-3B-Q3_K_M.gguf | Q3_K_M | 1.59GB | 否 | 低质量。 |
Tessa-T1-3B-IQ3_M.gguf | IQ3_M | 1.49GB | 否 | 中低质量,新方法,性能与Q3_K_M相当。 |
Tessa-T1-3B-Q3_K_S.gguf | Q3_K_S | 1.45GB | 否 | 低质量,不推荐。 |
Tessa-T1-3B-IQ3_XS.gguf | IQ3_XS | 1.39GB | 否 | 质量较低,新方法,性能不错,略优于Q3_K_S。 |
Tessa-T1-3B-Q2_K_L.gguf | Q2_K_L | 1.35GB | 否 | 嵌入和输出权重使用Q8_0。非常低质量,但出人意料地可用。 |
Tessa-T1-3B-IQ3_XXS.gguf | IQ3_XXS | 1.28GB | 否 | 质量较低,新方法,性能不错,与Q3量化相当。 |
Tessa-T1-3B-Q2_K.gguf | Q2_K | 1.27GB | 否 | 非常低质量,但出人意料地可用。 |
Tessa-T1-3B-IQ2_M.gguf | IQ2_M | 1.14GB | 否 | 相对低质量,使用最先进技术,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版本,这些版本的权重会在内存中交错排列,以便在ARM和AVX机器上通过一次加载更多数据来提高性能。
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,并且你的硬件能从重新打包权重中受益,它会自动实时进行处理。
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,如果你想获得稍好的质量,可以使用IQ4_NL,这得益于 此PR,它也会为ARM重新打包权重,不过目前仅适用于4_4。加载时间可能会较慢,但总体速度会提高。
选择合适的文件
点击查看详情
Artefact2提供了一篇很棒的文章,配有图表展示各种性能:点击查看
首先,你需要确定能运行多大的模型。为此,你需要了解自己有多少内存(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,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,并且使用cuBLAS(英伟达)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,在相同大小下提供更好的性能。
这些I量化版本也可以在CPU上使用,但比相应的K量化版本慢,所以你需要在速度和性能之间做出权衡。
🔧 技术细节
基准测试(AVX2系统 - EPYC7702)
点击查看基准测试结果
模型 | 大小 | 参数 | 后端 | 线程数 | 测试类型 | 每秒令牌数 | 与Q4_0相比 |
---|---|---|---|---|---|---|---|
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在提示处理方面有明显提升,在文本生成方面有小幅提升。
📄 许可证
本项目采用Apache-2.0许可证。
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对本项目的赞助。
如果你想支持我的工作,请访问我的ko-fi页面:https://ko-fi.com/bartowski



