许可证: MIT
许可证链接: https://huggingface.co/microsoft/phi-2/resolve/main/LICENSE
语言:

• 英文
  任务标签: 文本生成
  标签:
• 自然语言处理
• 代码

phi-2 GGUF 模型

采用 IQ-DynamicGate 的超低比特量化（1-2 比特）

我们最新的量化方法为超低比特模型（1-2 比特）引入了精度自适应量化，并在 Llama-3-8B 上验证了性能提升。该方法采用分层策略，在保持极高内存效率的同时保留准确性。

基准测试背景

所有测试均在 Llama-3-8B-Instruct 上进行，使用：

• 标准困惑度评估流程
• 2048 个 token 的上下文窗口
• 所有量化版本使用相同的提示集

方法

• 动态精度分配：
  • 前 25% 和后 25% 的层 → IQ4_XS（选定层）
  • 中间 50% 的层 → IQ2_XXS/IQ3_S（提升效率）
• 关键组件保护：
  • 嵌入层和输出层使用 Q5_K
  • 相比标准 1-2 比特量化，减少 38% 的错误传播

量化性能对比（Llama-3-8B）

关键说明：

• 困惑度（PPL）：越低越好
• Δ PPL：标准量化到 DynamicGate 的百分比变化
• 速度：推理时间（CPU avx2，2048 token 上下文）
• 大小差异反映混合量化的额外开销

主要改进：

• 🔥 IQ1_M 困惑度大幅降低 43.9%（27.46 → 15.41）
• 🚀 IQ2_S 困惑度降低 36.9%，仅增加 0.2GB
• ⚡ IQ1_S 在 1 比特量化下仍保持 39.7% 的更高准确率

权衡点：

• 所有变体均有小幅体积增加（0.1-0.3GB）
• 推理速度基本持平（差异 <5%）

适用场景

📌 将模型适配到 GPU 显存中

✔ 内存受限的部署环境

✔ CPU 和边缘设备（可容忍 1-2 比特误差）

✔ 超低比特量化的研究

选择合适的模型格式

选择正确的模型格式取决于您的硬件能力和内存限制。

BF16（Brain Float 16）——如果支持 BF16 加速

• 专为快速计算设计的 16 位浮点格式，同时保持良好精度。
• 提供与 FP32 相似的动态范围，但内存占用更低。
• 如果硬件支持 BF16 加速（请检查设备规格），推荐使用。
• 相比 FP32，适合高性能推理并减少内存占用。

📌 使用 BF16 如果：
✔ 您的硬件支持 BF16（例如新款 GPU、TPU）。
✔ 您需要更高精度同时节省内存。
✔ 您计划将模型重新量化为其他格式。

📌 避免 BF16 如果：
❌ 您的硬件不支持 BF16（可能回退到 FP32 并运行更慢）。
❌ 需要兼容不支持 BF16 优化的旧设备。

F16（Float 16）——比 BF16 支持更广泛

• 16 位浮点格式，高精度但数值范围小于 BF16。
• 支持大多数具有 FP16 加速的设备（包括许多 GPU 和部分 CPU）。
• 数值精度略低于 BF16，但通常足以满足推理需求。

📌 使用 F16 如果：
✔ 您的硬件支持 FP16 但不支持 BF16。
✔ 您需要在速度、内存占用和准确性之间取得平衡。
✔ 您在使用GPU或其他针对 FP16 计算优化的设备。

📌 避免 F16 如果：
❌ 您的设备缺乏原生 FP16 支持（可能运行速度低于预期）。
❌ 您有内存限制。

量化模型（Q4_K、Q6_K、Q8 等）——适用于 CPU 和低显存推理

量化在尽可能保持准确性的同时减少模型大小和内存占用。

• 低比特模型（Q4_K） → 最小内存占用，但精度可能较低。
• 高比特模型（Q6_K、Q8_0） → 更高准确性，但需要更多内存。

📌 使用量化模型如果：
✔ 您在 CPU 上运行推理并需要优化模型。
✔ 设备显存不足，无法加载全精度模型。
✔ 您希望减少内存占用，同时保持合理准确性。

📌 避免量化模型如果：
❌ 您需要最高精度（全精度模型更适合）。
❌ 您的硬件有足够显存支持更高精度格式（BF16/F16）。

超低比特量化（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）

这些模型针对极致内存效率优化，适合低功耗设备或大规模部署，其中内存是关键限制。

• IQ3_XS：超低比特量化（3 比特），极致内存效率。

  • 适用场景：最适合超低内存设备，甚至 Q4_K 也过大时。
  • 权衡：相比高比特量化，准确性较低。

• IQ3_S：小块大小，实现最大内存效率。

  • 适用场景：最适合低内存设备，其中 IQ3_XS 过于激进。

• IQ3_M：中等块大小，比 IQ3_S 准确性更高。

  • 适用场景：适合低内存设备，其中 IQ3_S 限制过多。

• Q4_K：4 比特量化，采用块优化以提高准确性。

  • 适用场景：最适合低内存设备，其中 Q6_K 过大时。

• Q4_0：纯 4 比特量化，针对 ARM 设备优化。

  • 适用场景：最适合 ARM 设备或低内存环境。

模型格式选择总结表

包含文件及详情

phi-2-bf16.gguf

• 模型权重以 BF16 保存。
• 如需将模型重新量化为其他格式，请使用此文件。
• 如果设备支持 BF16 加速，这是最佳选择。

phi-2-f16.gguf

• 模型权重以 F16 保存。
• 如果设备支持 FP16（尤其是 BF16 不可用时）使用。

phi-2-bf16-q8_0.gguf

• 输出层和嵌入层保持 BF16。
• 其他层量化为 Q8_0。
• 如果设备支持 BF16 且需要量化版本时使用。

phi-2-f16-q8_0.gguf

• 输出层和嵌入层保持 F16。
• 其他层量化为 Q8_0。

phi-2-q4_k.gguf

• 输出层和嵌入层量化为 Q8_0。
• 其他层量化为 Q4_K。
• 适合内存有限的 CPU 推理。

phi-2-q4_k_s.gguf

• 最小的 Q4_K 变体，牺牲准确性以减少内存占用。
• 最适合极低内存配置。

phi-2-q6_k.gguf

• 输出层和嵌入层量化为 Q8_0。
• 其他层量化为 Q6_K。

phi-2-q8_0.gguf

• 完全 Q8 量化模型，准确性更高。
• 需要更多内存，但提供更高精度。

phi-2-iq3_xs.gguf

• IQ3_XS 量化，针对极致内存效率优化。
• 最适合超低内存设备。

phi-2-iq3_m.gguf

• IQ3_M 量化，提供中等块大小以提高准确性。
• 适合低内存设备。

phi-2-q4_0.gguf

• 纯 Q4_0 量化，针对 ARM 设备优化。
• 最适合低内存环境。
• 如需更高准确性，建议使用 IQ4_NL。

🚀 如果您觉得这些模型有用

❤ 请点击“点赞”支持！
帮助测试我的AI 驱动的网络监控助手，具备量子安全检查功能：
👉 免费网络监控工具

💬 如何测试：

1. 点击聊天图标（页面右下角）
2. 选择AI 助手类型：
   • TurboLLM（GPT-4-mini）
   • FreeLLM（开源模型）
   • TestLLM（实验性 CPU 专用）

测试目标

我正在探索小型开源模型在 AI 网络监控中的极限，特别是：

• 针对实时网络服务的函数调用
• 模型可以小到什么程度，同时仍能处理：
  • 自动化 Nmap 扫描
  • 量子就绪检查
  • Metasploit 集成

🟡 TestLLM——当前实验模型（llama.cpp，6 CPU 线程）：

• ✅ 零配置设置
• ⏳