模型简介
模型特点
模型能力
使用案例
🚀 Meta公司KernelLLM模型的Llamacpp imatrix量化版本
本项目是Meta公司KernelLLM模型的量化版本,使用 llama.cpp 发布版本 b5415 进行量化。该项目可以帮助用户在不同硬件条件下更高效地运行KernelLLM模型。
🔍 基本信息
属性 | 详情 |
---|---|
量化者 | bartowski |
任务类型 | 文本生成 |
基础模型 | facebook/KernelLLM |
训练数据集 | ScalingIntelligence/KernelBench |
许可证 | other |
基础模型关系 | 量化版本 |
🚀 快速开始
- 原始模型:https://huggingface.co/facebook/KernelLLM
- 量化方式:所有量化版本均使用imatrix选项,并采用 此处 的数据集。
- 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|>
📥 文件下载
可以从以下表格中选择需要的文件进行下载:
文件名 | 量化类型 | 文件大小 | 分割情况 | 描述 |
---|---|---|---|---|
KernelLLM-bf16.gguf | bf16 | 16.07GB | false | 完整的BF16权重。 |
KernelLLM-Q8_0.gguf | Q8_0 | 8.54GB | false | 极高质量,通常不需要,但为最大可用量化。 |
KernelLLM-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。 |
KernelLLM-Q6_K.gguf | Q6_K | 6.60GB | false | 非常高质量,接近完美,推荐。 |
KernelLLM-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。 |
KernelLLM-Q5_K_M.gguf | Q5_K_M | 5.73GB | false | 高质量,推荐。 |
KernelLLM-Q5_K_S.gguf | Q5_K_S | 5.60GB | false | 高质量,推荐。 |
KernelLLM-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。 |
KernelLLM-Q4_1.gguf | Q4_1 | 5.13GB | false | 旧格式,性能与Q4_K_S相似,但在Apple硅芯片上每瓦令牌数有所提高。 |
KernelLLM-Q4_K_M.gguf | Q4_K_M | 4.92GB | false | 质量良好,是大多数用例的默认大小,推荐。 |
KernelLLM-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,适合低内存情况。 |
KernelLLM-Q4_K_S.gguf | Q4_K_S | 4.69GB | false | 质量略低,但节省空间,推荐。 |
KernelLLM-Q4_0.gguf | Q4_0 | 4.68GB | false | 旧格式,可在线重新打包以用于ARM和AVX CPU推理。 |
KernelLLM-IQ4_NL.gguf | IQ4_NL | 4.68GB | false | 与IQ4_XS相似,但略大。可在线重新打包以用于ARM CPU推理。 |
KernelLLM-IQ4_XS.gguf | IQ4_XS | 4.45GB | false | 质量不错,比Q4_K_S小且性能相似,推荐。 |
KernelLLM-Q3_K_L.gguf | Q3_K_L | 4.32GB | false | 质量较低但可用,适合低内存情况。 |
KernelLLM-Q3_K_M.gguf | Q3_K_M | 4.02GB | false | 低质量。 |
KernelLLM-IQ3_M.gguf | IQ3_M | 3.78GB | false | 中低质量,新方法,性能与Q3_K_M相当。 |
KernelLLM-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。 |
KernelLLM-Q3_K_S.gguf | Q3_K_S | 3.66GB | false | 低质量,不推荐。 |
KernelLLM-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。 |
KernelLLM-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。 |
KernelLLM-Q2_K.gguf | Q2_K | 3.18GB | false | 质量非常低,但出人意料地可用。 |
KernelLLM-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。 |
📥 使用huggingface-cli下载
点击查看下载说明
首先,确保你已经安装了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/facebook_KernelLLM-GGUF --include "facebook_KernelLLM-Q4_K_M.gguf" --local-dir ./
如果模型大于50GB,它将被分割成多个文件。要将它们全部下载到本地文件夹,请运行:
huggingface-cli download bartowski/facebook_KernelLLM-GGUF --include "facebook_KernelLLM-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(facebook_KernelLLM-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,这些权重会在内存中交错排列,以便通过一次加载更多数据来提高ARM和AVX机器的性能。
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,并且你的硬件可以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,如果你想获得略好的质量,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。加载时间可能会更长,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 | 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在提示处理方面有不错的提升,在文本生成方面也有小幅度提升。
❓ 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,你需要确定你可以运行多大的模型。为此,你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,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,并且你使用的是cuBLAS(Nvidia)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,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
本项目使用的许可证为 other。



