模型简介
模型特点
模型能力
使用案例
🚀 Google Gemma-3-27b-it-qat的Llamacpp imatrix量化版本
本项目是基于Google提供的QAT(量化感知训练)权重,对gemma-3-27b-it-qat进行的Llamacpp imatrix量化。仅Q4_0量化预计会有更好的效果,但为了探索其他可能性,也制作了其他量化版本。
📦 量化文件信息
文件名 | 量化类型 | 文件大小 | 拆分情况 | 描述 |
---|---|---|---|---|
gemma-3-27b-it-qat-bf16.gguf | bf16 | 54.03GB | true | 完整的BF16权重。 |
gemma-3-27b-it-qat-Q8_0.gguf | Q8_0 | 28.71GB | false | 极高质量,通常不需要,但为最大可用量化。 |
gemma-3-27b-it-qat-Q6_K_L.gguf | Q6_K_L | 22.51GB | false | 嵌入和输出权重使用Q8_0,非常高质量,接近完美,推荐。 |
gemma-3-27b-it-qat-Q6_K.gguf | Q6_K | 22.17GB | false | 非常高质量,接近完美,推荐。 |
gemma-3-27b-it-qat-Q5_K_L.gguf | Q5_K_L | 19.61GB | false | 嵌入和输出权重使用Q8_0,高质量,推荐。 |
gemma-3-27b-it-qat-Q5_K_M.gguf | Q5_K_M | 19.27GB | false | 高质量,推荐。 |
gemma-3-27b-it-qat-Q5_K_S.gguf | Q5_K_S | 18.77GB | false | 高质量,推荐。 |
gemma-3-27b-it-qat-Q4_1.gguf | Q4_1 | 17.17GB | false | 旧格式,性能与Q4_K_S相似,但在Apple silicon上每瓦处理的token数有所提高。 |
gemma-3-27b-it-qat-Q4_K_L.gguf | Q4_K_L | 16.89GB | false | 嵌入和输出权重使用Q8_0,质量良好,推荐。 |
gemma-3-27b-it-qat-Q4_K_M.gguf | Q4_K_M | 16.55GB | false | 质量良好,是大多数用例的默认选择,推荐。 |
gemma-3-27b-it-qat-Q4_K_S.gguf | Q4_K_S | 15.67GB | false | 质量稍低,但节省空间,推荐。 |
gemma-3-27b-it-qat-Q4_0.gguf | Q4_0 | 15.62GB | false | 旧格式,支持ARM和AVX CPU推理的在线重新打包。 |
gemma-3-27b-it-qat-IQ4_NL.gguf | IQ4_NL | 15.57GB | false | 与IQ4_XS相似,但稍大。支持ARM CPU推理的在线重新打包。 |
gemma-3-27b-it-qat-Q3_K_XL.gguf | Q3_K_XL | 14.88GB | false | 嵌入和输出权重使用Q8_0,质量较低但可用,适合低内存场景。 |
gemma-3-27b-it-qat-IQ4_XS.gguf | IQ4_XS | 14.77GB | false | 质量不错,比Q4_K_S小且性能相似,推荐。 |
gemma-3-27b-it-qat-Q3_K_L.gguf | Q3_K_L | 14.54GB | false | 质量较低但可用,适合低内存场景。 |
gemma-3-27b-it-qat-Q3_K_M.gguf | Q3_K_M | 13.44GB | false | 质量较低。 |
gemma-3-27b-it-qat-IQ3_M.gguf | IQ3_M | 12.55GB | false | 中低质量,新方法,性能与Q3_K_M相当。 |
gemma-3-27b-it-qat-Q3_K_S.gguf | Q3_K_S | 12.17GB | false | 质量较低,不推荐。 |
gemma-3-27b-it-qat-IQ3_XS.gguf | IQ3_XS | 11.56GB | false | 质量较低,新方法,性能不错,略优于Q3_K_S。 |
gemma-3-27b-it-qat-Q2_K_L.gguf | Q2_K_L | 10.85GB | false | 嵌入和输出权重使用Q8_0,质量极低但意外可用。 |
gemma-3-27b-it-qat-IQ3_XXS.gguf | IQ3_XXS | 10.72GB | false | 质量较低,新方法,性能不错,与Q3量化相当。 |
gemma-3-27b-it-qat-Q2_K.gguf | Q2_K | 10.50GB | false | 质量极低但意外可用。 |
gemma-3-27b-it-qat-IQ2_M.gguf | IQ2_M | 9.49GB | false | 质量相对较低,使用了最先进的技术,意外可用。 |
gemma-3-27b-it-qat-IQ2_S.gguf | IQ2_S | 8.78GB | false | 质量较低,使用了最先进的技术,可用。 |
gemma-3-27b-it-qat-IQ2_XS.gguf | IQ2_XS | 8.44GB | false | 质量较低,使用了最先进的技术,可用。 |
gemma-3-27b-it-qat-IQ2_XXS.gguf | IQ2_XXS | 7.69GB | false | 质量极低,使用了最先进的技术,可用。 |
💻 提示格式
<bos><start_of_turn>user
{系统提示}
{提示}<end_of_turn>
<start_of_turn>model
<end_of_turn>
<start_of_turn>model
📥 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/google_gemma-3-27b-it-qat-GGUF --include "google_gemma-3-27b-it-qat-Q4_K_M.gguf" --local-dir ./
如果模型大于50GB,它将被拆分为多个文件。要将它们全部下载到本地文件夹,请运行:
huggingface-cli download bartowski/google_gemma-3-27b-it-qat-GGUF --include "google_gemma-3-27b-it-qat-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(如google_gemma-3-27b-it-qat-Q8_0),也可以将它们全部下载到当前目录(./)。
🛠️ 嵌入/输出权重说明
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文件,这些文件的权重在内存中交错排列,以便在ARM和AVX机器上通过一次加载更多数据来提高性能。
现在,有了所谓的权重“在线重新打包”功能,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,它将在运行时自动进行。
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,感谢此PR,它也会为ARM重新打包权重,但目前仅支持4_4。加载时间可能会更长,但整体速度会提高。
点击查看Q4_0_X_X信息(已弃用)
保留此部分是为了展示使用支持在线重新打包的Q4_0在理论上的性能提升。
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 | 每秒处理token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。
❓ 如何选择文件
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,你需要确定能运行多大的模型,这需要了解你有多少系统内存(RAM)和/或显存(VRAM)。
如果你希望模型运行得尽可能快,应将整个模型加载到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,你需要决定使用“I-quant”还是“K-quant”。
如果你不想考虑太多,选择K-quant,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。
一般来说,如果你目标是低于Q4的量化,并且使用cuBLAS(Nvidia)或rocBLAS(AMD),可以考虑I-quant,格式为IQX_X,如IQ3_M。这些是较新的方法,在相同大小下性能更好。
I-quant也可在CPU上使用,但比对应的K-quant慢,因此你需要在速度和性能之间做出权衡。
🙏 致谢
感谢kalomaze和Dampf协助创建imatrix校准数据集。 感谢ZeroWw启发了对嵌入/输出的实验。 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
📄 许可证
本项目使用Gemma许可证。访问Hugging Face上的Gemma,你需要审查并同意Google的使用许可。请确保你已登录Hugging Face,然后点击下方按钮。请求将立即处理。
点击查看访问提示
要访问Hugging Face上的Gemma,你需要审查并同意Google的使用许可。请确保你已登录Hugging Face,然后点击下方按钮。请求将立即处理。



