模型简介
模型特点
模型能力
使用案例
🚀 NousResearch的DeepHermes-3-Llama-3-8B-Preview量化模型
本项目是对NousResearch的DeepHermes-3-Llama-3-8B-Preview模型进行量化处理,旨在优化模型性能和存储需求。通过使用特定的量化方法和工具,生成了多种不同量化类型的模型文件,以满足不同用户的需求。
模型信息
属性 | 详情 |
---|---|
量化者 | bartowski |
模型类型 | 文本生成 |
许可证 | llama3 |
基础模型 | NousResearch/DeepHermes-3-Llama-3-8B-Preview |
语言 | en |
标签 | Llama-3、instruct、finetune、chatml、gpt4、synthetic data、distillation、function calling、json mode、axolotl、roleplaying、chat、reasoning、r1、vllm |
🚀 快速开始
量化方法
使用 llama.cpp 发布版本 b4688 进行量化。原始模型可从 这里 获取。所有量化模型均使用 imatrix 选项,并结合 此数据集 生成。
运行方式
提示格式
<|begin_of_text|><|start_header_id|>system<|end_header_id|>
{system_prompt}<|eot_id|><|start_header_id|>user<|end_header_id|>
{prompt}<|eot_id|><|start_header_id|>assistant<|end_header_id|>
📦 安装指南
使用huggingface-cli下载
首先,确保你已安装 hugginface-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/NousResearch_DeepHermes-3-Llama-3-8B-Preview-GGUF --include "NousResearch_DeepHermes-3-Llama-3-8B-Preview-Q4_K_M.gguf" --local-dir ./
如果模型大小超过 50GB,它将被拆分为多个文件。若要将所有文件下载到本地文件夹,请运行:
huggingface-cli download bartowski/NousResearch_DeepHermes-3-Llama-3-8B-Preview-GGUF --include "NousResearch_DeepHermes-3-Llama-3-8B-Preview-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(如 NousResearch_DeepHermes-3-Llama-3-8B-Preview-Q8_0),也可以将所有文件下载到当前目录(./)。
💻 使用示例
选择合适的量化文件
点击查看详情
首先,确定你能够运行的模型大小。这需要了解你拥有的系统内存(RAM)和/或显卡显存(VRAM)容量。 - **追求极致速度**:若希望模型运行速度尽可能快,应选择文件大小比 GPU 显存小 1 - 2GB 的量化模型,以便将整个模型加载到 GPU 的显存中。 - **追求极致质量**:若追求最高质量,可将系统内存和 GPU 显存相加,然后选择文件大小比该总和小 1 - 2GB 的量化模型。接下来,你需要决定使用 'I-quant' 还是 'K-quant':
- 简单选择:若不想过多考虑,可选择 K-quants,其格式为 'QX_K_X',如 Q5_K_M。
- 深入选择:若想深入了解,可查看 llama.cpp 功能矩阵。一般来说,若目标量化级别低于 Q4,且使用 cuBLAS(Nvidia)或 rocBLAS(AMD),则应考虑 I-quants,其格式为 IQX_X,如 IQ3_M。这些 I-quants 较新,在相同大小下性能更好。
需要注意的是,I-quants 可在 CPU 和 Apple Metal 上使用,但速度比同等的 K-quant 慢,因此你需要在速度和性能之间进行权衡。此外,I-quants 与 Vulcan(同样适用于 AMD)不兼容,如果你使用 AMD 显卡,请仔细检查你使用的是 rocBLAS 版本还是 Vulcan 版本。在撰写本文时,LM Studio 有支持 ROCm 的预览版,其他推理引擎也有针对 ROCm 的特定版本。
📚 详细文档
量化文件下载
文件名 | 量化类型 | 文件大小 | 拆分情况 | 描述 |
---|---|---|---|---|
DeepHermes-3-Llama-3-8B-Preview-Q8_0.gguf | Q8_0 | 8.54GB | false | 极高质量,通常无需使用,但为最大可用量化级别。 |
DeepHermes-3-Llama-3-8B-Preview-Q6_K_L.gguf | Q6_K_L | 6.85GB | false | 嵌入和输出权重使用 Q8_0。非常高质量,接近完美,推荐。 |
DeepHermes-3-Llama-3-8B-Preview-Q6_K.gguf | Q6_K | 6.60GB | false | 非常高质量,接近完美,推荐。 |
DeepHermes-3-Llama-3-8B-Preview-Q5_K_L.gguf | Q5_K_L | 6.06GB | false | 嵌入和输出权重使用 Q8_0。高质量,推荐。 |
DeepHermes-3-Llama-3-8B-Preview-Q5_K_M.gguf | Q5_K_M | 5.73GB | false | 高质量,推荐。 |
DeepHermes-3-Llama-3-8B-Preview-Q5_K_S.gguf | Q5_K_S | 5.60GB | false | 高质量,推荐。 |
DeepHermes-3-Llama-3-8B-Preview-Q4_K_L.gguf | Q4_K_L | 5.31GB | false | 嵌入和输出权重使用 Q8_0。质量良好,推荐。 |
DeepHermes-3-Llama-3-8B-Preview-Q4_1.gguf | Q4_1 | 5.13GB | false | 旧格式,性能与 Q4_K_S 相似,但在 Apple 硅芯片上的令牌/瓦特性能有所提升。 |
DeepHermes-3-Llama-3-8B-Preview-Q4_K_M.gguf | Q4_K_M | 4.92GB | false | 质量良好,适用于大多数用例的默认大小,推荐。 |
DeepHermes-3-Llama-3-8B-Preview-Q3_K_XL.gguf | Q3_K_XL | 4.78GB | false | 嵌入和输出权重使用 Q8_0。质量较低但可用,适合内存有限的情况。 |
DeepHermes-3-Llama-3-8B-Preview-Q4_K_S.gguf | Q4_K_S | 4.69GB | false | 质量略低,但节省空间,推荐。 |
DeepHermes-3-Llama-3-8B-Preview-Q4_0.gguf | Q4_0 | 4.68GB | false | 旧格式,支持为 ARM 和 AVX CPU 推理进行在线重新打包。 |
DeepHermes-3-Llama-3-8B-Preview-IQ4_NL.gguf | IQ4_NL | 4.68GB | false | 与 IQ4_XS 相似,但略大。支持为 ARM CPU 推理进行在线重新打包。 |
DeepHermes-3-Llama-3-8B-Preview-IQ4_XS.gguf | IQ4_XS | 4.45GB | false | 质量不错,比 Q4_K_S 小,性能相似,推荐。 |
DeepHermes-3-Llama-3-8B-Preview-Q3_K_L.gguf | Q3_K_L | 4.32GB | false | 质量较低但可用,适合内存有限的情况。 |
DeepHermes-3-Llama-3-8B-Preview-Q3_K_M.gguf | Q3_K_M | 4.02GB | false | 质量较低。 |
DeepHermes-3-Llama-3-8B-Preview-IQ3_M.gguf | IQ3_M | 3.78GB | false | 中低质量,新方法,性能与 Q3_K_M 相当。 |
DeepHermes-3-Llama-3-8B-Preview-Q2_K_L.gguf | Q2_K_L | 3.69GB | 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。 |
DeepHermes-3-Llama-3-8B-Preview-Q3_K_S.gguf | Q3_K_S | 3.66GB | false | 质量较低,不推荐。 |
DeepHermes-3-Llama-3-8B-Preview-IQ3_XS.gguf | IQ3_XS | 3.52GB | false | 质量较低,新方法,性能不错,略优于 Q3_K_S。 |
DeepHermes-3-Llama-3-8B-Preview-IQ3_XXS.gguf | IQ3_XXS | 3.27GB | false | 质量较低,新方法,性能不错,与 Q3 量化相当。 |
DeepHermes-3-Llama-3-8B-Preview-Q2_K.gguf | Q2_K | 3.18GB | false | 质量非常低,但出人意料地可用。 |
DeepHermes-3-Llama-3-8B-Preview-IQ2_M.gguf | IQ2_M | 2.95GB | false | 质量相对较低,使用了最先进的技术,出人意料地可用。 |
嵌入/输出权重
部分量化模型(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 模型,这些模型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“在线重新打包”权重功能,详情见 此 PR。如果你使用 Q4_0 模型,且硬件能从权重重新打包中受益,它将自动实时进行重新打包。
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,如果你想获得更好的质量,可以使用 IQ4_NL,这得益于 此 PR,它也会为 ARM 重新打包权重,但目前仅支持 4_4 格式。加载时间可能会变慢,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 模型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 | 测试类型 | 令牌/秒 | 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。
🔧 技术细节
部分量化模型(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。这种处理方式在一定程度上影响了模型的性能和质量。
📄 许可证
本项目使用 llama3 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/输出实验方面的启发。 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



