Nvidia Llama 3.1 Nemotron Nano 4B V1.1 GGUF

🚀 NVIDIA Llama-3.1-Nemotron-Nano-4B-v1.1的Llamacpp imatrix量化版本

本项目提供了基于llama.cpp对NVIDIA的Llama-3.1-Nemotron-Nano-4B-v1.1模型进行量化的版本。通过不同的量化类型，用户可以根据自身硬件条件和需求选择合适的模型文件，以在性能和质量之间取得平衡。

基本信息

🚀 快速开始

本项目使用 llama.cpp 的 b5432 版本进行量化。原始模型可从 这里 获取。

所有量化模型均使用 imatrix 选项和 此数据集 生成。你可以在 LM Studio 中运行这些模型，也可以直接使用 llama.cpp 或其他基于 llama.cpp 的项目运行。

✨ 主要特性

• 多种量化类型：提供了丰富的量化类型，如 bf16、Q8_0、Q6_K_L 等，满足不同硬件和性能需求。
• 在线重打包：部分量化类型支持在线重打包，可自动优化权重以提高在 ARM 和 AVX 机器上的性能。
• 灵活选择：用户可以根据自身的 RAM、VRAM 以及对性能和质量的要求，选择合适的量化模型。

📦 安装指南

使用huggingface-cli下载

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具体文件：

huggingface-cli download bartowski/nvidia_Llama-3.1-Nemotron-Nano-4B-v1.1-GGUF --include "nvidia_Llama-3.1-Nemotron-Nano-4B-v1.1-Q4_K_M.gguf" --local-dir ./

如果模型文件大于 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，可运行：

huggingface-cli download bartowski/nvidia_Llama-3.1-Nemotron-Nano-4B-v1.1-GGUF --include "nvidia_Llama-3.1-Nemotron-Nano-4B-v1.1-Q8_0/*" --local-dir ./

你可以指定一个新的本地目录，也可以将它们下载到当前目录。

💻 使用示例

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|>

📚 详细文档

下载文件列表

嵌入/输出权重

部分量化类型（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，这些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。

现在，有了所谓的“在线重打包”权重功能，详情见 此PR。如果你使用 Q4_0 且硬件能从权重重打包中受益，它将自动实时进行重打包。

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，如果你想获得略高的质量，可以使用 IQ4_NL，感谢 此PR，它也会为 ARM 重打包权重，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。

选择哪个文件？

Artefact2 提供了一篇很棒的文章，带有展示各种性能的图表，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 RAM 和/或 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 VRAM 中。选择文件大小比 GPU 总 VRAM 小 1 - 2GB 的量化模型。

如果你追求绝对最高质量，将系统 RAM 和 GPU 的 VRAM 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 - 量化之一。这些格式为 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，并且你使用的是 cuBLAS（Nvidia）或 rocBLAS（AMD），你应该考虑 I - 量化。这些格式为 IQX_X，如 IQ3_M。这些是较新的量化类型，在相同大小下提供更好的性能。

这些 I - 量化也可以在 CPU 上使用，但比相应的 K - 量化慢，因此你需要在速度和性能之间做出权衡。

🔧 技术细节

在线重打包

在线重打包是一种优化权重的技术，可提高模型在 ARM 和 AVX 机器上的性能。通过在运行时自动调整权重的存储方式，使得一次加载更多数据，从而减少内存访问次数，提高计算效率。

量化类型选择

不同的量化类型在性能和质量上存在差异。例如，Q8_0 提供了极高的质量，但文件大小较大；而 IQ3_M 等 I - 量化类型在较小的文件大小下提供了较好的性能。用户可以根据自身的硬件条件和需求，选择合适的量化类型。

📄 许可证

本项目使用 nvidia-open-model-license 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 提供的嵌入/输出实验灵感。

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