CoolFace
Modelpublic

lucianosb/llama-2-7b-langchain-chat-GGUF

sourceHugging Facellama2updated 3y agoView on Hugging Face
12likes451downloads
Model Card

lama-2-7b-langchain-chat - GGUF

Arquivos Incluídos

NomeMétodo QuantBitsTamanhoDesc
llama-2-7b-langchain-chat-q4_0.ggufq4_043.56 GBQuantização em 4-bit.
llama-2-7b-langchain-chat-q4_1.ggufq4_143.95 GBQuantização em 4-bit. Acurácia maior que q40 mas não tão boa quanto q50. Inferência mais rápida que os modelos q5.
llama-2-7b-langchain-chat-q5_0.ggufq5_054.33 GBQuantização em 5-bit. Melhor acurácia, maior uso de recursos, inferência mais lenta.
llama-2-7b-langchain-chat-q5_1.ggufq5_154.72 GBQuantização em 5-bit. Ainda Melhor acurácia, maior uso de recursos, inferência mais lenta.
llama-2-7b-langchain-chat-q8_0.ggufq8_086.67 GBQuantização em 8-bit. Quase indistinguível do float16. Usa muitos recursos e é mais lento.

Observação: os valores de RAM acima não pressupõem descarregamento de GPU. Se as camadas forem descarregadas para a GPU, isso reduzirá o uso de RAM e usará VRAM.

Como executar com llama.cpp

Usei o seguinte comando. Ajuste para suas necessidades:

./main -m ./models/llama-2-7b-langchain-chat/llama-2-7b-langchain-chat-q5_1.gguf --color --temp 0.5 -n 256 -p "<s>[INST] Há muito tempo atrás, numa galáxia distante [/INST] Assistant Message </s>"

Para compreender os parâmetros, veja a documentação do llama.cpp

Sobre o formato GGUF

GGUF é um novo formato introduzido pela equipe llama.cpp em 21 de agosto de 2023. É um substituto para o GGML, que não é mais suportado pelo llama.cpp.

O principal benefício do GGUF é que ele é um formato extensível e à prova de futuro que armazena mais informações sobre o modelo como metadados. Ele também inclui código de tokenização significativamente melhorado, incluindo pela primeira vez suporte total para tokens especiais. Isso deve melhorar o desempenho, especialmente com modelos que usam novos tokens especiais e implementam modelos de prompt personalizados.

Aqui está uma lista de clientes e bibliotecas que são conhecidos por suportar GGUF:

  • —llama.cpp.
  • —text-generation-webui, a interface web mais amplamente utilizada. Suporta GGUF com aceleração GPU via backend ctransformers - backend llama-cpp-python deve funcionar em breve também.
  • —KoboldCpp, agora suporta GGUF a partir da versão 1.41! Uma poderosa interface web GGML, com aceleração total da GPU. Especialmente bom para contar histórias.
  • —LM Studio, versão 0.2.2 e posteriores suportam GGUF. Uma GUI local totalmente equipada com aceleração GPU em ambos Windows (NVidia e AMD) e macOS.
  • —LoLLMS Web UI, agora deve funcionar, escolha o backend c_transformers. Uma ótima interface web com muitos recursos interessantes. Suporta aceleração GPU CUDA.
  • —ctransformers, agora suporta GGUF a partir da versão 0.2.24! Uma biblioteca Python com aceleração GPU, suporte LangChain e servidor AI compatível com OpenAI.
  • —llama-cpp-python, suporta GGUF a partir da versão 0.1.79. Uma biblioteca Python com aceleração GPU, suporte LangChain e servidor API compatível com OpenAI.
  • —candle, adicionou suporte GGUF em 22 de agosto. Candle é um framework ML Rust com foco em desempenho, incluindo suporte GPU e facilidade de uso.
  • —LocalAI, adicionou suporte GGUF em 23 de agosto. LocalAI provê uma API Rest para modelos LLM e de geração de imagens.

Template

`
<s>[INST] Prompter Message [/INST] Assistant Message </s>