模型简介
模型特点
模型能力
使用案例
🚀 sarvamai的sarvam-m模型的Llamacpp imatrix量化版本
本项目使用 llama.cpp 的 b5490 版本进行量化。该项目可用于多语言文本生成,支持英语、孟加拉语、印地语等多种语言。
模型信息
属性 | 详情 |
---|---|
量化者 | bartowski |
任务类型 | 文本生成 |
支持语言 | 英语(en)、孟加拉语(bn)、印地语(hi)、卡纳达语(kn)、古吉拉特语(gu)、马拉地语(mr)、马拉雅拉姆语(ml)、奥里亚语(or)、旁遮普语(pa)、泰米尔语(ta)、泰卢固语(te) |
基础模型 | sarvamai/sarvam-m |
基础模型关系 | 量化版本 |
许可证 | apache - 2.0 |
原模型链接
https://huggingface.co/sarvamai/sarvam-m
量化说明
所有量化版本均使用imatrix选项,并采用了来自 此处 的数据集。
🚀 快速开始
运行方式
提示词格式
<s>[SYSTEM_PROMPT]Think deeply before answering the user's question. Do the thinking inside <think>...</think> tags.
{system_prompt}[/SYSTEM_PROMPT][INST]{prompt}[/INST]
📦 下载文件
可从以下列表中选择下载单个文件(而非整个分支):
文件名 | 量化类型 | 文件大小 | 拆分情况 | 描述 |
---|---|---|---|---|
sarvam-m-bf16.gguf | bf16 | 47.15GB | 否 | 完整的BF16权重。 |
sarvam-m-Q8_0.gguf | Q8_0 | 25.05GB | 否 | 极高质量,通常无需使用,但为最大可用量化版本。 |
sarvam-m-Q6_K_L.gguf | Q6_K_L | 19.67GB | 否 | 嵌入和输出权重使用Q8_0,非常高质量,接近完美,推荐。 |
sarvam-m-Q6_K.gguf | Q6_K | 19.35GB | 否 | 非常高质量,接近完美,推荐。 |
sarvam-m-Q5_K_L.gguf | Q5_K_L | 17.18GB | 否 | 嵌入和输出权重使用Q8_0,高质量,推荐。 |
sarvam-m-Q5_K_M.gguf | Q5_K_M | 16.76GB | 否 | 高质量,推荐。 |
sarvam-m-Q5_K_S.gguf | Q5_K_S | 16.30GB | 否 | 高质量,推荐。 |
sarvam-m-Q4_1.gguf | Q4_1 | 14.87GB | 否 | 旧格式,性能与Q4_K_S相似,但在Apple硅芯片上的每瓦令牌数有所改进。 |
sarvam-m-Q4_K_L.gguf | Q4_K_L | 14.83GB | 否 | 嵌入和输出权重使用Q8_0,质量良好,推荐。 |
sarvam-m-Q4_K_M.gguf | Q4_K_M | 14.33GB | 否 | 质量良好,大多数用例的默认大小,推荐。 |
sarvam-m-Q4_K_S.gguf | Q4_K_S | 13.55GB | 否 | 质量稍低,但节省更多空间,推荐。 |
sarvam-m-Q4_0.gguf | Q4_0 | 13.49GB | 否 | 旧格式,支持ARM和AVX CPU推理的在线重新打包。 |
sarvam-m-IQ4_NL.gguf | IQ4_NL | 13.47GB | 否 | 与IQ4_XS相似,但稍大,支持ARM CPU推理的在线重新打包。 |
sarvam-m-Q3_K_XL.gguf | Q3_K_XL | 12.99GB | 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。 |
sarvam-m-IQ4_XS.gguf | IQ4_XS | 12.76GB | 否 | 质量不错,比Q4_K_S小,性能相似,推荐。 |
sarvam-m-Q3_K_L.gguf | Q3_K_L | 12.40GB | 否 | 质量较低但可用,适合低内存情况。 |
sarvam-m-Q3_K_M.gguf | Q3_K_M | 11.47GB | 否 | 低质量。 |
sarvam-m-IQ3_M.gguf | IQ3_M | 10.65GB | 否 | 中低质量,新方法,性能与Q3_K_M相当。 |
sarvam-m-Q3_K_S.gguf | Q3_K_S | 10.40GB | 否 | 低质量,不推荐。 |
sarvam-m-IQ3_XS.gguf | IQ3_XS | 9.91GB | 否 | 质量较低,新方法,性能不错,略优于Q3_K_S。 |
sarvam-m-Q2_K_L.gguf | Q2_K_L | 9.55GB | 否 | 嵌入和输出权重使用Q8_0,质量非常低,但出人意料地可用。 |
sarvam-m-IQ3_XXS.gguf | IQ3_XXS | 9.28GB | 否 | 质量较低,新方法,性能不错,与Q3量化版本相当。 |
sarvam-m-Q2_K.gguf | Q2_K | 8.89GB | 否 | 质量非常低,但出人意料地可用。 |
sarvam-m-IQ2_M.gguf | IQ2_M | 8.11GB | 否 | 相对低质量,使用了最先进的技术,出人意料地可用。 |
sarvam-m-IQ2_S.gguf | IQ2_S | 7.48GB | 否 | 低质量,使用了最先进的技术,可用。 |
sarvam-m-IQ2_XS.gguf | IQ2_XS | 7.21GB | 否 | 低质量,使用了最先进的技术,可用。 |
🔧 嵌入/输出权重说明
部分量化版本(如Q3_K_XL、Q4_K_L等)采用了标准量化方法,将嵌入和输出权重量化为Q8_0,而非通常的默认值。
📥 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/sarvamai_sarvam-m-GGUF --include "sarvamai_sarvam-m-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。若要将它们全部下载到本地文件夹,请运行:
huggingface-cli download bartowski/sarvamai_sarvam-m-GGUF --include "sarvamai_sarvam-m-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(如sarvamai_sarvam-m-Q8_0),也可以将它们全部下载到当前目录(./)。
💻 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,现在有了一种名为“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,不过目前仅支持4_4。加载时间可能会较慢,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带有在线重新打包功能的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。
❓ 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,你需要确定你能运行多大的模型。为此,你需要了解你有多少RAM和/或VRAM。
- 追求最快速度: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的量化版本。
- 追求最高质量: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的量化版本。
接下来,你需要决定是使用“I量化”还是“K量化”。
- 不想过多考虑:选择K量化版本,格式为“QX_K_X”,如Q5_K_M。
- 想深入了解:你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的量化版本,并且你使用的是cuBLAS(Nvidia)或rocBLAS(AMD),你应该考虑I量化版本,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,因此你需要在速度和性能之间做出权衡。
🙏 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
📄 许可证
本项目采用apache - 2.0许可证。



