模型简介
模型特点
模型能力
使用案例
🚀 TheDrummer的Anubis-70B-v1.1的Llamacpp imatrix量化版本
本项目是对TheDrummer的Anubis-70B-v1.1模型进行的量化版本,使用 llama.cpp 的 b5753 版本进行量化。该项目旨在提供不同量化级别的模型文件,以满足不同硬件条件和使用场景的需求。
🚀 快速开始
运行方式
提示格式
<|begin_of_text|><|start_header_id|>system<|end_header_id|>
Cutting Knowledge Date: December 2023
Today Date: 26 Jul 2024
{system_prompt}<|eot_id|><|start_header_id|>user<|end_header_id|>
{prompt}<|eot_id|><|start_header_id|>assistant<|end_header_id|>
✨ 主要特性
- 多种量化类型:提供了丰富的量化类型,如Q8_0、Q6_K、Q5_K_M等,以适应不同的硬件资源和性能需求。
- 在线重打包:部分量化类型支持在线重打包,可自动优化ARM和AVX机器的性能。
- 特定权重处理:部分量化模型(如Q3_K_XL、Q4_K_L等)将嵌入和输出权重量化为Q8_0,以提高质量。
📦 安装指南
使用huggingface-cli下载
点击查看下载说明
首先,确保你已经安装了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/TheDrummer_Anubis-70B-v1.1-GGUF --include "TheDrummer_Anubis-70B-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。要将它们全部下载到本地文件夹,请运行:
huggingface-cli download bartowski/TheDrummer_Anubis-70B-v1.1-GGUF --include "TheDrummer_Anubis-70B-v1.1-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(如TheDrummer_Anubis-70B-v1.1-Q8_0),也可以将它们全部下载到当前目录(./)。
📚 详细文档
模型文件下载
文件名 | 量化类型 | 文件大小 | 拆分情况 | 描述 |
---|---|---|---|---|
Anubis-70B-v1.1-Q8_0.gguf | Q8_0 | 74.98GB | true | 极高质量,通常不需要,但为最大可用量化级别。 |
Anubis-70B-v1.1-Q6_K.gguf | Q6_K | 57.89GB | true | 非常高的质量,接近完美,推荐。 |
Anubis-70B-v1.1-Q5_K_M.gguf | Q5_K_M | 49.95GB | true | 高质量,推荐。 |
Anubis-70B-v1.1-Q5_K_S.gguf | Q5_K_S | 48.66GB | false | 高质量,推荐。 |
Anubis-70B-v1.1-Q4_1.gguf | Q4_1 | 44.31GB | false | 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提高。 |
Anubis-70B-v1.1-Q4_K_L.gguf | Q4_K_L | 43.30GB | false | 嵌入和输出权重使用Q8_0。质量良好,推荐。 |
Anubis-70B-v1.1-Q4_K_M.gguf | Q4_K_M | 42.52GB | false | 质量良好,是大多数用例的默认大小,推荐。 |
Anubis-70B-v1.1-Q4_K_S.gguf | Q4_K_S | 40.35GB | false | 质量稍低,但节省更多空间,推荐。 |
Anubis-70B-v1.1-Q4_0.gguf | Q4_0 | 40.12GB | false | 旧格式,可为ARM和AVX CPU推理提供在线重打包。 |
Anubis-70B-v1.1-IQ4_NL.gguf | IQ4_NL | 40.05GB | false | 与IQ4_XS相似,但稍大。可为ARM CPU推理提供在线重打包。 |
Anubis-70B-v1.1-Q3_K_XL.gguf | Q3_K_XL | 38.06GB | 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。 |
Anubis-70B-v1.1-IQ4_XS.gguf | IQ4_XS | 37.90GB | false | 质量不错,比Q4_K_S小,性能相似,推荐。 |
Anubis-70B-v1.1-Q3_K_L.gguf | Q3_K_L | 37.14GB | false | 质量较低但可用,适合低内存情况。 |
Anubis-70B-v1.1-Q3_K_M.gguf | Q3_K_M | 34.27GB | false | 低质量。 |
Anubis-70B-v1.1-IQ3_M.gguf | IQ3_M | 31.94GB | false | 中低质量,新方法,性能与Q3_K_M相当。 |
Anubis-70B-v1.1-Q3_K_S.gguf | Q3_K_S | 30.91GB | false | 低质量,不推荐。 |
Anubis-70B-v1.1-IQ3_XS.gguf | IQ3_XS | 29.31GB | false | 质量较低,新方法,性能不错,略优于Q3_K_S。 |
Anubis-70B-v1.1-IQ3_XXS.gguf | IQ3_XXS | 27.47GB | false | 质量较低,新方法,性能不错,与Q3量化相当。 |
Anubis-70B-v1.1-Q2_K_L.gguf | Q2_K_L | 27.40GB | 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。 |
Anubis-70B-v1.1-Q2_K.gguf | Q2_K | 26.38GB | false | 质量非常低,但出人意料地可用。 |
Anubis-70B-v1.1-IQ2_M.gguf | IQ2_M | 24.12GB | false | 质量相对较低,使用了最先进的技术,出人意料地可用。 |
Anubis-70B-v1.1-IQ2_S.gguf | IQ2_S | 22.24GB | false | 低质量,使用了最先进的技术,可用。 |
Anubis-70B-v1.1-IQ2_XS.gguf | IQ2_XS | 21.14GB | false | 低质量,使用了最先进的技术,可用。 |
Anubis-70B-v1.1-IQ2_XXS.gguf | IQ2_XXS | 19.10GB | false | 质量非常低,使用了最先进的技术,可用。 |
Anubis-70B-v1.1-IQ1_M.gguf | IQ1_M | 16.75GB | false | 质量极低,不推荐。 |
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,而非通常的默认值。
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,如果你想获得稍好的质量,可以使用IQ4_NL,这得益于 此PR,它也会为ARM重打包权重,不过目前仅适用于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支持在线重打包的Q4_0时潜在的理论性能提升。
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 | 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,你需要确定能够运行多大的模型。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。
如果你追求绝对的最高质量,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,可以选择K量化模型。这些模型的格式为'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:
但基本上,如果你目标是低于Q4的量化级别,并且使用cuBLAS(Nvidia)或rocBLAS(AMD),你应该考虑I量化模型。这些模型的格式为IQX_X,如IQ3_M。它们是较新的模型,在相同大小下提供更好的性能。
这些I量化模型也可以在CPU上使用,但比对应的K量化模型慢,因此你需要在速度和性能之间进行权衡。
📄 许可证
文档未提及相关许可证信息。
致谢
感谢kalomaze和Dampf协助创建imatrix校准数据集。
感谢ZeroWw提供关于嵌入/输出实验的灵感。
感谢LM Studio赞助此项目。
如果你想支持作者的工作,可以访问作者的ko-fi页面:https://ko-fi.com/bartowski



