LightChatAssistant-TypeB-2x7B-GGUF

量子化手順

python ./llama.cpp/convert.py ./LightChatAssistant-TypeB-2x7B --outtype f16 --outfile ./gguf-model_f16.gguf
./llama.cpp/imatrix -m ./gguf-model_f16.gguf -f ./c4_en_ja_imatrix.txt -o ./gguf-model.imatrix --chunks 32
./llama.cpp/quantize --imatrix ./gguf-model.imatrix ./gguf-model_f16.gguf ./LightChatAssistant-TypeB-2x7B_iq4xs.gguf iq4_xs

おすすめ量子化タイプ(VRAM12GBの場合)

• 容量対精度に優れる: iQ4XS or Q4KM (製作者おすすめ)
• ContextSizeを32768にしつつVRAMにフルロード: iQ3XXS
• 精度重視: Q6K or Q8

参考

• llama.cpp：複雑化する量子化バリエーションの整理（2024.02現在） - ローカルLLM自由帳
  「追記：KL-divergence による量子化評価」を参考にさせていただきました。
• llama.cpp：iMatrix量子化は日本語性能にどう影響するか？ - ローカルLLM自由帳
  iMatrix作成に用いるデータを検証していらっしゃって、とても参考になります。また公開してくださった日英混合iMatrix用テキストを使用させていただきました。

環境

• CPU: Ryzen 5 5600X
• GPU: GeForce RTX 3060 12GB
• RAM: DDR4-3200 96GB
• OS: Windows 10
• software: Python 3.10.11、KoboldCpp v1.62.2

KoboldCppの設定

• GPU Layers: 33 (33以上でフルロード)
• Context Size: 32768