🚀 Llama2 13B Orca 8K 3319 - GGUF

本项目包含了 OpenAssistant 的 Llama2 13B Orca 8K 3319 模型的 GGUF 格式文件，该模型在特定数据集上微调，可用于文本生成等任务。

🚀 快速开始

下载 GGUF 文件

• 自动下载：LM Studio、LoLLMS Web UI、Faraday.dev 等客户端/库会自动下载模型，并提供可用模型列表供你选择。
• 在 text-generation-webui 中下载：在“Download Model”下，输入模型仓库地址 TheBloke/OpenAssistant-Llama2-13B-Orca-8K-3319-GGUF，并在下方输入要下载的具体文件名，如 openassistant-llama2-13b-orca-8k-3319.q4_K_M.gguf，然后点击“Download”。
• 命令行下载：推荐使用 huggingface-hub Python 库。

  pip3 install huggingface-hub>=0.17.1
  

  然后使用以下命令将单个模型文件高速下载到当前目录：

  huggingface-cli download TheBloke/OpenAssistant-Llama2-13B-Orca-8K-3319-GGUF openassistant-llama2-13b-orca-8k-3319.q4_K_M.gguf --local-dir . --local-dir-use-symlinks False
  

运行示例

llama.cpp 命令示例

确保你使用的是 d0cee0d36d5be95a0d9088b674dbb27354107221 或更新版本的 llama.cpp。

./main -ngl 32 -m openassistant-llama2-13b-orca-8k-3319.q4_K_M.gguf --color -c 4096 --temp 0.7 --repeat_penalty 1.1 -n -1 -p "<|system|>{system_message}</s><|prompter|>{prompt}</s><|assistant|>"

• -ngl 32：要卸载到 GPU 的层数。如果你没有 GPU 加速，请移除该参数。
• -c 4096：所需的序列长度。对于扩展序列模型（如 8K、16K、32K），必要的 RoPE 缩放参数会从 GGUF 文件中读取，并由 llama.cpp 自动设置。
• 如果你想进行聊天式对话，将 -p <PROMPT> 参数替换为 -i -ins。

在 text-generation-webui 中运行

更多说明请参考 text-generation-webui/docs/llama.cpp.md。

从 Python 代码运行

你可以使用 llama-cpp-python 或 ctransformers 库从 Python 中使用 GGUF 模型。

from ctransformers import AutoModelForCausalLM

# Set gpu_layers to the number of layers to offload to GPU. Set to 0 if no GPU acceleration is available on your system.
llm = AutoModelForCausalLM.from_pretrained("TheBloke/OpenAssistant-Llama2-13B-Orca-8K-3319-GGUF", model_file="openassistant-llama2-13b-orca-8k-3319.q4_K_M.gguf", model_type="llama", gpu_layers=50)

print(llm("AI is going to"))

✨ 主要特性

• 基于 Llama2：该模型基于 Meta 的 Llama2 13B 模型微调，具有良好的语言理解和生成能力。
• 8K 上下文长度：支持 8K 的上下文长度，能够处理更长的输入和生成更连贯的文本。
• 多种量化格式：提供了多种量化格式的 GGUF 文件，可根据不同的硬件和需求选择合适的文件。

📦 安装指南

安装依赖库

pip3 install huggingface-hub>=0.17.1

如果你想加速下载，可以安装 hf_transfer：

pip3 install hf_transfer

下载模型文件

参考“快速开始”部分的下载方法。

📚 详细文档

关于 GGUF

GGUF 是 llama.cpp 团队在 2023 年 8 月 21 日引入的一种新格式，它取代了不再受 llama.cpp 支持的 GGML 格式。GGUF 具有许多优于 GGML 的优点，例如更好的分词、对特殊标记的支持，还支持元数据，并且设计为可扩展的。

以下是一些已知支持 GGUF 的客户端和库：

• llama.cpp：GGUF 的源项目，提供 CLI 和服务器选项。
• text-generation-webui：最广泛使用的 Web UI，具有许多功能和强大的扩展，支持 GPU 加速。
• KoboldCpp：功能齐全的 Web UI，支持跨所有平台和 GPU 架构的 GPU 加速，尤其适合讲故事。
• LM Studio：适用于 Windows 和 macOS（Silicon）的易于使用且功能强大的本地 GUI，支持 GPU 加速。
• LoLLMS Web UI：一个很棒的 Web UI，具有许多有趣和独特的功能，包括一个完整的模型库，便于模型选择。
• Faraday.dev：一个有吸引力且易于使用的基于角色的聊天 GUI，适用于 Windows 和 macOS（Silicon 和 Intel），支持 GPU 加速。
• ctransformers：一个支持 GPU 加速、LangChain 支持和 OpenAI 兼容 AI 服务器的 Python 库。
• llama-cpp-python：一个支持 GPU 加速、LangChain 支持和 OpenAI 兼容 API 服务器的 Python 库。
• candle：一个专注于性能的 Rust ML 框架，包括 GPU 支持和易用性。

可用的仓库

• 用于 GPU 推理的 AWQ 模型
• 具有多个量化参数选项的用于 GPU 推理的 GPTQ 模型
• 用于 CPU+GPU 推理的 2、3、4、5、6 和 8 位 GGUF 模型
• OpenAssistant 原始的未量化 fp16 格式的 PyTorch 模型，用于 GPU 推理和进一步转换

提示模板

<|system|>{system_message}</s><|prompter|>{prompt}</s><|assistant|>

许可信息

源模型的创建者将其许可证列为 other，因此本次量化使用了相同的许可证。由于该模型基于 Llama 2，它也受 Meta Llama 2 许可证条款的约束，并且额外包含了该许可证文件。因此，应认为该模型声称同时受这两种许可证的约束。我已联系 Hugging Face 以澄清双重许可问题，但他们尚未有官方立场。如果情况发生变化，或者 Meta 对此情况提供任何反馈，我将相应更新此部分。

在此期间，任何关于许可的问题，特别是这两种许可证如何相互作用的问题，应直接咨询原始模型仓库：OpenAssistant 的 Llama2 13B Orca 8K 3319。

兼容性

这些量化的 GGUFv2 文件与 2023 年 8 月 27 日及以后的 llama.cpp 版本兼容，对应提交版本为 d0cee0d36d5be95a0d9088b674dbb27354107221。

它们也与许多第三方 UI 和库兼容，请参阅本 README 顶部的列表。

量化方法说明

提供的文件

注意：上述 RAM 数字假设没有进行 GPU 卸载。如果将层卸载到 GPU，这将减少 RAM 使用并使用 VRAM 代替。

原始模型信息

模型描述

该模型是在 Meta 的 Llama2 13B 模型基础上进行微调的，具有 8K 的上下文大小，微调数据集为 Dolphin 数据集的长对话变体 (orca-chat)。

注意：加载此模型至少需要 Huggingface Transformers 4.31.0 版本！

使用示例

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("OpenAssistant/llama2-13b-orca-8k-3319", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("OpenAssistant/llama2-13b-orca-8k-3319", torch_dtype=torch.float16, low_cpu_mem_usage=True, device_map="auto")

🔧 技术细节

量化方法

不同的量化方法会影响模型的大小、性能和质量。例如，Q2_K 量化方法使用 2 位量化，模型文件最小，但质量损失显著；而 Q8_0 量化方法使用 8 位量化，模型文件最大，但质量损失极低。

上下文长度

该模型支持 8K 的上下文长度，通过 RoPE 缩放参数实现。在使用时，必要的 RoPE 缩放参数会从 GGUF 文件中读取，并由 llama.cpp 自动设置。

📄 许可证

该模型的源许可证为 other，同时受 Meta Llama 2 许可证条款的约束。具体许可问题请咨询原始模型仓库 OpenAssistant 的 Llama2 13B Orca 8K 3319。

💡 使用建议

• 选择合适的量化文件：根据你的硬件配置和需求，选择合适的量化文件。如果对质量要求较高，建议选择 Q4_K_M、Q5_K_S 或 Q5_K_M 等量化文件；如果对内存要求较高，可以选择 Q2_K 或 Q3_K 等量化文件。
• GPU 加速：如果你的系统支持 GPU 加速，建议使用 -ngl 参数将部分层卸载到 GPU，以提高推理速度。
• 调整序列长度：根据实际需求调整 -c 参数，以设置合适的序列长度。对于扩展序列模型，必要的 RoPE 缩放参数会自动设置。

⚠️ 重要提示

• 版本要求：确保使用的 llama.cpp 版本为 d0cee0d36d5be95a0d9088b674dbb27354107221 或更新版本。
• 模型加载：加载原始模型至少需要 Huggingface Transformers 4.31.0 版本。
• RAM 使用：上述提供的文件所需的 RAM 数字假设没有进行 GPU 卸载。如果将层卸载到 GPU，这将减少 RAM 使用并使用 VRAM 代替。

🔗 相关链接

• Discord 服务器：TheBloke AI's Discord server
• 捐赠渠道：
  • Patreon: https://patreon.com/TheBlokeAI
  • Ko-Fi: https://ko-fi.com/TheBlokeAI

感谢所有慷慨的赞助者和捐赠者！同时感谢 a16z 的慷慨资助！