GGUF

官方介绍:
https://github.com/ggerganov/ggml/blob/master/docs/gguf.md

使用 HF 模型推理时，需要将HF模型转换为GGUF格式的模型，

llama.cpp\convert-hf-to-gguf.py

量化精度

查看 HF 中 GGUF 存储库中的文件，我们可以看到多种不同的 GGML 模型，对应于不同类型的量化。它们遵循特定的命名约定：“q”+ 用于存储权重的位数（精度）+ 特定变体。以下是量化方法及其相应用例的列表，

• q2_k：将 Q4_K 用于 attention.vw 和 feed_forward.w2 张量，Q2_K用于其他张量。
• q3_k_l：将 Q5_K 用于 attention.wv、attention.wo 和 feed_forward.w2 张量，否则Q3_K
• q3_k_m：将 Q4_K 用于 attention.wv、attention.wo 和 feed_forward.w2 张量，否则Q3_K
• q3_k_s：将Q3_K用于所有张量
• q4_0：原始量化方法，4 位。
• q4_1：精度高于q4_0但不如q5_0。但是，与 q5 模型相比，推理速度更快。
• q4_k_m：将 Q6_K 用于一半的 attention.wv 和 feed_forward.w2 张量，否则Q4_K
• q4_k_s：将Q4_K用于所有张量
• q5_0： 原始量化方法，5位。精度更高，资源使用率更高，推理速度更慢。
• q5_1：精度高于q5_0但不如q6_k。但是，与 q6 模型相比，推理速度更快。
• q5_k_m：将 Q6_K 用于一半的 attention.wv 和 feed_forward.w2 张量，否则Q5_K
• q5_k_s：将Q5_K用于所有张量
• q6_k：将Q8_K用于所有张量
• q8_0：与浮点数16几乎无法区分。资源使用率高，速度慢。不建议大多数用户使用。

根据经验，建议使用 Q5_K_M，因为它保留了模型的大部分性能。或者，如果要节省一些内存，可以使用 Q4_K_M 或 Q4_0。一般来说，K_M版本比K_S版本更好。不推荐 Q2 或 Q3 版本，因为它们会大大降低模型精度。