模型简介
模型特点
模型能力
使用案例
🚀 Huihui-gemma-3n-E4B-it-abliterated的Llamacpp imatrix量化版本
本项目使用 llama.cpp 版本 b5856 进行量化。该项目为huihui-ai团队的Huihui-gemma-3n-E4B-it-abliterated模型提供了多种量化版本,方便不同硬件条件和使用需求的用户选择。
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 | huihui-ai/Huihui-gemma-3n-E4B-it-abliterated |
基础模型关系 | 量化版本 |
许可证 | gemma |
标签 | 自动语音识别、自动语音翻译、音频文本转文本、视频文本转文本等 |
访问许可
要在Hugging Face上访问Gemma,你需要查看并同意Google的使用许可。请确保你已登录Hugging Face,然后点击下方按钮。请求将立即处理。
原始模型
Huihui-gemma-3n-E4B-it-abliterated
量化说明
所有量化版本均使用imatrix选项,并采用来自此处的数据集。
运行方式
📚 详细文档
提示格式
由于未指定聊天模板,因此使用默认模板。这可能不正确,请查看原始模型卡片以获取详细信息。
<bos><start_of_turn>user
{system_prompt}
{prompt}<end_of_turn>
<start_of_turn>model
<end_of_turn>
<start_of_turn>model
文件下载
你可以从下方表格中选择下载单个文件(而非整个分支):
嵌入/输出权重
部分量化版本(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,而非默认设置。
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/huihui-ai_Huihui-gemma-3n-E4B-it-abliterated-GGUF --include "huihui-ai_Huihui-gemma-3n-E4B-it-abliterated-Q4_K_M.gguf" --local-dir ./
如果模型大小超过50GB,它将被分割成多个文件。要将所有文件下载到本地文件夹,请运行:
huggingface-cli download bartowski/huihui-ai_Huihui-gemma-3n-E4B-it-abliterated-GGUF --include "huihui-ai_Huihui-gemma-3n-E4B-it-abliterated-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(如huihui-ai_Huihui-gemma-3n-E4B-it-abliterated-Q8_0),也可以将所有文件下载到当前目录(./)。
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“在线重新打包”的权重处理方法,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在提示处理方面有显著提升,在文本生成方面有小幅提升。
如何选择文件
点击此处查看详情
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,你需要确定可以运行的模型大小。为此,你需要了解自己的RAM和/或VRAM容量。
如果你希望模型运行速度尽可能快,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。
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-quant”还是“K-quant”。
如果你不想考虑太多,可以选择K-quant。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功能图表:
但基本上,如果你目标是低于Q4的量化版本,并且你使用cuBLAS(Nvidia)或rocBLAS(AMD),你应该考虑I-quant。这些格式为IQX_X,如IQ3_M。这些是较新的格式,在相同大小下提供更好的性能。
这些I-quant也可以在CPU上使用,但比相应的K-quant慢,因此你需要在速度和性能之间进行权衡。
🙏 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/输出实验方面的启发。
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



