license: mit
language:

• zh
• en
  pipeline_tag: text-generation
  library_name: transformers

GLM-Z1-9B-0414 GGUF 模型

模型生成详情

该模型使用 llama.cpp 在提交版本 e291450 时生成。

IQ-DynamicGate 超低位量化（1-2 比特）

我们最新的量化方法引入了针对超低位模型（1-2 比特）的精度自适应量化，在 Llama-3-8B 上验证了基准性能的提升。该方法采用分层策略，在保持极致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/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
  • 相比标准 1-2 比特量化减少 38% 的误差传播

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）
• 大小差异反映了混合量化的开销

关键改进：

• 🔥 IQ1_M 显示困惑度大幅降低 43.9%（27.46 → 15.41）
• 🚀 IQ2_S 在仅增加 0.2GB 的情况下将困惑度降低 36.9%
• ⚡ IQ1_S 尽管是 1 比特量化，仍保持 39.7% 的更高准确率

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 比特误差

✔ 超低位量化的研究

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 加速则使用

• 一种 16 位浮点格式，专为更快计算而设计，同时保留良好的精度。
• 提供与 FP32 相似的动态范围，但内存占用更低。
• 如果您的硬件支持BF16 加速（检查设备规格），则推荐使用。
• 与 FP32 相比，适用于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）。
✔ 您希望在节省内存的同时获得更高的精度。
✔ 您计划将模型重新量化为另一种格式。

📌 避免使用 BF16 如果：
❌ 您的硬件不支持 BF16（可能会回退到 FP32 并运行较慢）。
❌ 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，精度较高，但数值范围比 BF16 小。
• 在大多数支持 FP16 加速的设备上工作（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。
✔ 您需要在速度、内存使用和准确性之间取得平衡。
✔ 您在GPU或其他优化 FP16 计算的设备上运行。

📌 避免使用 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）– 适用于 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。

• 低位模型（Q4_K） → 最小内存占用的最佳选择，但精度可能较低。
• 高位模型（Q6_K、Q8_0） → 更好的准确性，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。
✔ 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。

📌 避免使用量化模型如果：
❌ 您需要最高精度（全精度模型更适合）。
❌ 您的硬件有足够的 VRAM 支持更高精度的格式（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：超低位量化（3 比特），极致内存效率。

  • 使用场景：适用于超低内存设备，甚至 Q4_K 都太大时。
  • 权衡：与高位量化相比，准确性较低。

• IQ3_S：小块大小，最大内存效率。

  • 使用场景：适用于低内存设备，其中 IQ3_XS 过于激进。

• IQ3_M：中等块大小，比 IQ3_S 更好的准确性。

  • 使用场景：适用于低内存设备，其中 IQ3_S 过于受限。

• Q4_K：4 比特量化，块优化以提高准确性。

  • 使用场景：适用于低内存设备，其中 Q6_K 太大。

• Q4_0：纯 4 比特量化，针对 ARM 设备优化。

  • 使用场景：适用于基于 ARM 的设备或低内存环境。

总结表：模型格式选择

包含的文件及详情

GLM-Z1-9B-0414-bf16.gguf

• 模型权重以 BF16 保留。
• 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，则最佳。

GLM-Z1-9B-0414-f16.gguf

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

GLM-Z1-9B-0414-bf16-q8_0.gguf

• 输出和嵌入层保持为 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。

GLM-Z1-9B-0414-f16-q8_0.gguf

• 输出和嵌入层保持为 F16。
• 其他所有层量化为 Q8_0。

GLM-Z1-9B-0414-q4_k.gguf

• 输出和嵌入层量化为 Q8_0。
• 其他所有层量化为 Q4_K。
• 适用于内存有限的 CPU 推理。

GLM-Z1-9B-0414-q4_k_s.gguf

• 最小的 Q4_K 变体，以准确性为代价减少内存使用。
• 适用于极低内存设置。

GLM-Z1-9B-0414-q6_k.gguf

• 输出和嵌入层量化为 Q8_0。
• 其他所有层量化为 Q6_K。

GLM-Z1-9B-0414-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。

GLM-Z1-9B-0414-iq3_xs.gguf

• IQ3_XS 量化，针对极致内存效率优化。
• 适用于超低内存设备。

GLM-Z1-9B-0414-iq3_m.gguf

• IQ3_M 量化，提供中等块大小以提高准确性。
• 适用于低内存设备。

GLM-Z1-9B-0414-q4_0.gguf

• 纯 Q4_0 量化，针对 ARM 设备优化。
• 适用于低内存环境。
• 如需更高准确性，推荐 IQ4_NL。

🚀 如果您觉得这些模型有用

❤ 请点击“点赞”如果觉得有用！
帮助我测试AI 驱动的网络监控助手，具备量子就绪安全检查：
👉 免费网络监控

💬 如何测试：

1. 点击聊天图标（页面右下角）

2. 选择一种AI 助手类型：