Google Medgemma - 4b - it开源模型 - 多量化选项满足不同用户需求

首页

Google Medgemma 4b It GGUF

由 bartowski 开发

这是Google的medgemma-4b-it模型的Llamacpp imatrix量化版本，提供了多种量化选项，适用于不同需求的用户。

大型语言模型开源协议:其他 #医疗对话模型 #多量化版本 #低内存优化

下载量 348

发布时间 : 7/12/2025

模型简介

该项目是对Google的medgemma-4b-it模型进行的Llamacpp imatrix量化处理，提供了多种量化版本，可在LM Studio或基于llama.cpp的项目中运行。

模型特点

多量化类型

提供了多种量化类型的文件，如bf16、Q8_0、Q6_K_L等，满足不同用户对模型质量和文件大小的需求。

在线重打包

部分量化版本支持在线重打包，可自动优化硬件性能。

特定权重处理

部分量化版本将嵌入和输出权重量化为Q8_0，提高模型质量。

模型能力

文本生成

医疗文本处理

多轮对话

使用案例

医疗健康

医疗问答

用于回答医疗相关问题，提供专业的医疗建议。

病历生成

根据患者症状生成初步的病历记录。

教育

医学教育

用于医学教育中的知识问答和解释。

🚀 Google Medgemma-4b-it的Llamacpp Imatrix量化版本

本项目是对Google的medgemma-4b-it模型进行的Llamacpp imatrix量化处理。它使用特定的量化方法和数据集，为不同需求的用户提供了多种量化版本的选择，可在LM Studio或基于llama.cpp的项目中运行。

🚀 快速开始

使用 llama.cpp 发布版本 b5868 进行量化。原始模型地址：https://huggingface.co/google/medgemma-4b-it 所有量化版本均使用imatrix选项，并采用来自此处的数据集。你可以在 LM Studio 中运行这些量化版本，也可以直接使用 llama.cpp 或其他基于llama.cpp的项目来运行。

✨ 主要特性

多量化类型：提供了多种量化类型的文件，如bf16、Q8_0、Q6_K_L等，满足不同用户对模型质量和文件大小的需求。
在线重打包：部分量化版本支持在线重打包，可自动优化硬件性能。
特定权重处理：部分量化版本将嵌入和输出权重量化为Q8_0，提高模型质量。

📦 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/google_medgemma-4b-it-GGUF --include "google_medgemma-4b-it-Q4_K_M.gguf" --local-dir ./ ``` 如果模型大小超过50GB，它会被分割成多个文件。若要将它们全部下载到本地文件夹，请运行： ``` huggingface-cli download bartowski/google_medgemma-4b-it-GGUF --include "google_medgemma-4b-it-Q8_0/*" --local-dir ./ ``` 你可以指定一个新的本地目录（google_medgemma-4b-it-Q8_0），也可以将它们全部下载到当前目录（./）。

💻 使用示例

提示格式

<bos><start_of_turn>user
{system_prompt}

{prompt}<end_of_turn>
<start_of_turn>model
<end_of_turn>
<start_of_turn>model

📚 详细文档

下载文件选择

文件名	量化类型	文件大小	分割情况	描述
medgemma-4b-it-bf16.gguf	bf16	7.77GB	否	完整的BF16权重。
medgemma-4b-it-Q8_0.gguf	Q8_0	4.13GB	否	极高质量，通常不需要，但提供最大可用量化。
medgemma-4b-it-Q6_K_L.gguf	Q6_K_L	3.35GB	否	将嵌入和输出权重量化为Q8_0。非常高质量，接近完美，推荐。
medgemma-4b-it-Q6_K.gguf	Q6_K	3.19GB	否	非常高质量，接近完美，推荐。
medgemma-4b-it-Q5_K_L.gguf	Q5_K_L	2.99GB	否	将嵌入和输出权重量化为Q8_0。高质量，推荐。
medgemma-4b-it-Q5_K_M.gguf	Q5_K_M	2.83GB	否	高质量，推荐。
medgemma-4b-it-Q5_K_S.gguf	Q5_K_S	2.76GB	否	高质量，推荐。
medgemma-4b-it-Q4_K_L.gguf	Q4_K_L	2.65GB	否	将嵌入和输出权重量化为Q8_0。质量良好，推荐。
medgemma-4b-it-Q4_1.gguf	Q4_1	2.56GB	否	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。
medgemma-4b-it-Q4_K_M.gguf	Q4_K_M	2.49GB	否	质量良好，适用于大多数用例的默认大小，推荐。
medgemma-4b-it-Q3_K_XL.gguf	Q3_K_XL	2.40GB	否	将嵌入和输出权重量化为Q8_0。质量较低但可用，适合低内存情况。
medgemma-4b-it-Q4_K_S.gguf	Q4_K_S	2.38GB	否	质量稍低，但节省空间，推荐。
medgemma-4b-it-Q4_0.gguf	Q4_0	2.37GB	否	旧格式，支持ARM和AVX CPU推理的在线重打包。
medgemma-4b-it-IQ4_NL.gguf	IQ4_NL	2.36GB	否	与IQ4_XS相似，但稍大。支持ARM CPU推理的在线重打包。
medgemma-4b-it-IQ4_XS.gguf	IQ4_XS	2.26GB	否	质量不错，比Q4_K_S小，性能相似，推荐。
medgemma-4b-it-Q3_K_L.gguf	Q3_K_L	2.24GB	否	质量较低但可用，适合低内存情况。
medgemma-4b-it-Q3_K_M.gguf	Q3_K_M	2.10GB	否	低质量。
medgemma-4b-it-IQ3_M.gguf	IQ3_M	1.99GB	否	中低质量，新方法，性能与Q3_K_M相当。
medgemma-4b-it-Q3_K_S.gguf	Q3_K_S	1.94GB	否	低质量，不推荐。
medgemma-4b-it-Q2_K_L.gguf	Q2_K_L	1.89GB	否	将嵌入和输出权重量化为Q8_0。质量非常低，但出人意料地可用。
medgemma-4b-it-IQ3_XS.gguf	IQ3_XS	1.86GB	否	质量较低，新方法，性能不错，略优于Q3_K_S。
medgemma-4b-it-Q2_K.gguf	Q2_K	1.73GB	否	质量非常低，但出人意料地可用。
medgemma-4b-it-IQ3_XXS.gguf	IQ3_XXS	1.69GB	否	质量较低，新方法，性能不错，与Q3量化相当。

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，而非通常的默认值。

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，现在有了一种名为“在线重打包”的权重处理方式，详情见此PR。如果你使用Q4_0，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，如果你想获得稍好的质量，可以使用IQ4_NL，感谢此PR，它也会为ARM重打包权重，但目前仅适用于4_4。加载时间可能会较慢，但总体速度会提高。

选择哪个文件？

点击查看详情

Artefact2 提供了一份很棒的带有图表的文章，展示了各种性能情况，链接为 [此处](https://gist.github.com/Artefact2/b5f810600771265fc1e39442288e8ec9) 首先，你需要确定能运行多大的模型。这需要你了解自己拥有多少内存（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，可以选择K - 量化版本，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](https://github.com/ggerganov/llama.cpp/wiki/Feature-matrix) 但基本上，如果你目标是低于Q4的量化，并且使用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，但比对应的K - 量化版本慢，所以你需要在速度和性能之间做出权衡。

🔧 技术细节

本项目使用特定版本的llama.cpp进行量化，通过imatrix选项和特定数据集生成多个量化版本。部分量化版本对嵌入和输出权重进行特殊处理，以提高模型质量。同时，引入了在线重打包技术，优化ARM和AVX机器的性能。

📄 许可证

要访问Hugging Face上的MedGemma，你需要审查并同意 Health AI Developer Foundation的使用条款。请确保你已登录Hugging Face，然后点击下方按钮。请求将立即处理。许可证链接：https://developers.google.com/health-ai-developer-foundations/terms