library_name: transformers
license: other
license_name: nvidia-open-model-license
license_link: >-
https://www.nvidia.com/en-us/agreements/enterprise-software/nvidia-open-model-license/

pipeline_tag: text-generation
language:

• en
  tags:
• nvidia
• llama-3
• pytorch

Llama-3.1-Nemotron-Nano-8B-v1 GGUF 模型

模型生成详情

该模型使用 llama.cpp 在提交 19e899c 时生成。

IQ-DynamicGate 超低比特量化（1-2 位）

我们最新的量化方法引入了 精度自适应量化 用于超低比特模型（1-2 位），在 Llama-3-8B 上经过基准测试验证了改进。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
• 所有量化方法使用相同的提示集

方法

• 动态精度分配：
  • 前 25% 和后 25% 的层 → IQ4_XS（选定层）
  • 中间 50% → IQ2_XXS/IQ3_S（提高效率）
• 关键组件保护：
  • 嵌入层和输出层使用 Q5_K
  • 与标准 1-2 位量化相比，减少误差传播 38%

量化性能对比（Llama-3-8B）

关键指标：

• PPL = 困惑度（越低越好）
• Δ PPL = 从标准量化到 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开销

关键改进：

• 🔥 IQ1_M 显示困惑度大幅降低 43.9%（27.46 → 15.41）
• 🚀 IQ2_S 将困惑度降低 36.9%，同时仅增加 0.2GB
• ⚡ IQ1_S 尽管是 1 位量化，但仍保持 39.7% 更高的准确性

权衡：

• 所有变体都有适度的体积增加（0.1-0.3GB）
• 推理速度保持相近（差异 <5%）

何时使用这些模型

📌 将模型适配到 GPU VRAM 中

✔ 内存受限的部署

✔ CPU 和边缘设备，可以容忍 1-2 位误差

✔ 研究 超低比特量化

选择正确的模型格式

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

• 一种 16 位浮点格式，设计用于 更快计算，同时保留良好的精度。
• 提供 与 FP32 相似的动态范围，但 内存使用更低。
• 如果您的硬件支持 BF16 加速（检查设备规格），推荐使用。
• 与 FP32 相比，适合 高性能推理 和 减少内存占用。

📌 使用 BF16 如果：
✔ 您的硬件具有原生 BF16 支持（例如，较新的 GPU、TPU）。
✔ 您希望 更高的精度 同时节省内存。
✔ 您计划 重新量化 模型为其他格式。

📌 避免 BF16 如果：
❌ 您的硬件 不支持 BF16（可能会回退到 FP32 并运行更慢）。
❌ 您需要与缺乏 BF16 优化的旧设备兼容。

F16（Float 16）– 比 BF16 更广泛支持

• 一种 16 位浮点格式，高精度 但数值范围比 BF16 小。
• 适用于大多数支持 FP16 加速 的设备（包括许多 GPU 和一些 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 速度、内存使用和准确性之间的平衡。
✔ 您在 GPU 或其他优化 FP16 计算的设备上运行。

📌 避免 F16 如果：
❌ 您的设备缺乏 原生 FP16 支持（可能比预期运行更慢）。
❌ 您有内存限制。

量化模型（Q4_K、Q6_K、Q8 等）– 用于 CPU 和低 VRAM 推理

量化减少了模型大小和内存使用，同时尽可能保持准确性。

• 低比特模型（Q4_K） → 最适合最小内存使用，可能精度较低。
• 高比特模型（Q6_K、Q8_0） → 更好的准确性，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。
✔ 您的设备 VRAM 较低，无法加载全精度模型。
✔ 您希望减少 内存占用 同时保持合理的准确性。

📌 避免量化模型如果：
❌ 您需要 最高精度（全精度模型更适合）。
❌ 您的硬件有足够的 VRAM 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 进行了优化，非常适合 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 位），极致内存效率。

  • 用例：最适合 超低内存设备，甚至 Q4_K 也太大时。
  • 权衡：与高比特量化相比，准确性较低。

• IQ3_S：小块大小，最大内存效率。

  • 用例：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 更好的准确性。

  • 用例：适合 低内存设备，其中 IQ3_S 过于受限。

• Q4_K：4 位量化，块级优化 以提高准确性。

  • 用例：最适合 低内存设备，其中 Q6_K 太大。

• Q4_0：纯 4 位量化，针对 ARM 设备 优化。

  • 用例：最适合 基于 ARM 的设备 或 低内存环境。

模型格式选择摘要表

包含的文件及详情

Llama-3.1-Nemotron-Nano-8B-v1-bf16.gguf

• 模型权重保留为 BF16。
• 如果您想 重新量化 模型为其他格式，请使用此文件。
• 如果您的设备支持 BF16 加速，最佳选择。

Llama-3.1-Nemotron-Nano-8B-v1-f16.gguf

• 模型权重存储为 F16。
• 如果您的设备支持 FP16，尤其是 BF16 不可用时使用。

Llama-3.1-Nemotron-Nano-8B-v1-bf16-q8_0.gguf

• 输出和嵌入层 保留为 BF16。
• 其他所有层量化为 Q8_0。
• 如果您的设备支持 BF16 并且您想要量化版本，请使用此文件。

Llama-3.1-Nemotron-Nano-8B-v1-f16-q8_0.gguf

• 输出和嵌入层 保留为 F16。
• 其他所有层量化为 Q8_0。

Llama-3.1-Nemotron-Nano-8B-v1-q4_k.gguf

• 输出和嵌入层 量化为 Q8_0。
• 其他所有层量化为 Q4_K。
• 适合 CPU 推理 且内存有限的情况。

Llama-3.1-Nemotron-Nano-8B-v1-q4_k_s.gguf

• 最小的 Q4_K 变体，以准确性为代价使用更少内存。
• 最适合 极低内存配置。

Llama-3.1-Nemotron-Nano-8B-v1-q6_k.gguf

• 输出和嵌入层 量化为 Q8_0。
• 其他所有层量化为 Q6_K。

Llama-3.1-Nemotron-Nano-8B-v1-q8_0.gguf

• 完全 Q8 量化模型，提供更好的准确性。
• 需要 更多内存，但提供更高的精度。

Llama-3.1-Nemotron-Nano-8B-v1-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。

Llama-3.1-Nemotron-Nano-8B-v1-iq3_m.gguf

• IQ3_M 量化，提供 中等块大小 以获得更好的准确性。
• 适合 低内存设备。

`Llama-3.1-Nemotron-Nano-8B-v1