基础模型：LGAI-EXAONE/EXAONE-3.5-32B-Instruct
基础模型关系：微调
许可证：其他
许可证名称：exaone
许可证链接：LICENSE
支持语言：

• 英语
• 韩语
  标签：
• lg-ai
• exaone
• exaone-deep
  任务类型：文本生成
  库名称：transformers

EXAONE-Deep-32B GGUF模型

IQ-DynamicGate超低位量化（1-2比特）

我们最新的量化方法为超低位模型（1-2比特）引入了精度自适应量化，并在Llama-3-8B上通过基准测试验证了其改进效果。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

关键改进

• 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）

说明：

• 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 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内存
• ⚡ IQ1_S 在1比特量化下仍保持39.7%的更高准确率

权衡：

• 所有变体均有小幅内存增加（0.1-0.3GB）
• 推理速度基本相当（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）
✔ 超低位量化研究

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

• 一种16位浮点格式，专为更快计算设计，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：
✔ 您的硬件原生支持BF16（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，运行速度更慢）。
❌ 您需要兼容不支持BF16优化的旧设备。

F16（Float 16）——比BF16支持更广泛

• 一种16位浮点格式，精度较高，但数值范围比BF16小。
• 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。
✔ 您运行在GPU或其他针对FP16计算优化的设备上。

📌 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

量化减少了模型大小和内存占用，同时尽可能保持准确性。

• 低位模型（Q4_K） → 内存占用最小，但精度可能较低。
• 高位模型（Q6_K、Q8_0） → 准确性更好，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。
✔ 您的设备显存较低，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：
❌ 您需要最高准确性（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）。

超低位量化（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（内存是关键限制）。

• IQ3_XS：超低位量化（3比特），极致内存效率。

  • 适用场景：最适合超低内存设备（即使Q4_K也过大时）。
  • 权衡：相比高位量化，准确性较低。

• IQ3_S：小块大小，最大化内存效率。

  • 适用场景：最适合低内存设备（IQ3_XS过于激进时）。

• IQ3_M：中等块大小，比IQ3_S准确性更好。

  • 适用场景：适合低内存设备（IQ3_S限制过大时）。

• Q4_K：4比特量化，块优化以提升准确性。

  • 适用场景：最适合低内存设备（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

EXAONE-Deep-32B-bf16.gguf

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

EXAONE-Deep-32B-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。

EXAONE-Deep-32B-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且需要量化版本，请使用此文件。

EXAONE-Deep-32B-f16-q8_0.gguf

• 输出和嵌入层保留为F16。
• 其他所有层量化为Q8_0。

EXAONE-Deep-32B-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（内存有限时）。

EXAONE-Deep-32B-q4_k_s.gguf

• 最小的Q4_K变体，内存占用更小，但准确性有所牺牲。
• 最适合极低内存配置。

EXAONE-Deep-32B-q6_k.gguf

• 输出和嵌入层量化为Q8_0。
• 其他所有层量化为Q6_K。

EXAONE-Deep-32B-q8_0.gguf

• 完全Q8量化的模型，准确性更高。
• 需要更多内存，但提供更高精度。

EXAONE-Deep-32B-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。

EXAONE-Deep-32B-iq3_m.gguf

• IQ3_M量化，提供中等块大小以提升准确性。
• 适合低内存设备。

EXAONE-Deep-32B-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，推荐使用IQ4_NL。

🚀 如果您觉得这些模型有用

请点赞 ❤ 。同时，如果您能测试我的网络监控助手，我将非常感激 👉 网络监控助手。

💬 点击聊天图标（主页面和仪表板页面右下角）。选择一个LLM；在LLM类型之间切换：TurboLLM -> FreeLLM -> TestLLM。

我正在测试的内容

我正在尝试针对我的网络监控服务进行函数调用实验。使用小型开源模型。我的问题是：“模型可以小到什么程度，同时仍能正常工作？”

🟡 TestLLM – 在CPU虚拟机的6个线程上运行当前测试模型（加载时间约15秒。推理速度较慢，且一次只能处理一个用户提示——仍在优化扩展性！）。如果您感兴趣，我很乐意分享其工作原理！

其他可用的AI助手

🟢 TurboLLM – 使用gpt-4o-mini，速度极快！注意：由于OpenAI模型价格较高，token有限，但您可以登录或下载