99 lines
5.1 KiB
Markdown
99 lines
5.1 KiB
Markdown
|
---
|
||
|
|
inference: false
|
||
|
|
language:
|
||
|
|
- pt
|
||
|
|
- en
|
||
|
|
- es
|
||
|
|
- ru
|
||
|
|
- de
|
||
|
|
- pl
|
||
|
|
- th
|
||
|
|
- vi
|
||
|
|
- sv
|
||
|
|
- bn
|
||
|
|
- da
|
||
|
|
- he
|
||
|
|
- it
|
||
|
|
- fa
|
||
|
|
- sk
|
||
|
|
- id
|
||
|
|
- nb
|
||
|
|
- el
|
||
|
|
- hu
|
||
|
|
- eu
|
||
|
|
- zh
|
||
|
|
- eo
|
||
|
|
- ja
|
||
|
|
- ca
|
||
|
|
- cs
|
||
|
|
- bg
|
||
|
|
- fi
|
||
|
|
- tr
|
||
|
|
- ro
|
||
|
|
- ar
|
||
|
|
- uk
|
||
|
|
- ko
|
||
|
|
- gl
|
||
|
|
- fr
|
||
|
|
- nl
|
||
|
|
license: llama2
|
||
|
|
model_creator: Photolens
|
||
|
|
model_link: https://huggingface.co/Photolens/llama-2-7b-langchain-chat
|
||
|
|
model_name: lama-2-7b-langchain-chat
|
||
|
|
model_type: llama
|
||
|
|
quantized_by: lucianosb
|
||
|
|
pipeline_tag: text-generation
|
||
|
|
datasets:
|
||
|
|
- Photolens/oasst1-langchain-llama-2-formatted
|
||
|
|
---
|
||
|
|
|
||
|
|
# lama-2-7b-langchain-chat - GGUF
|
||
|
|
- Criador do Modelo: [Photolens](https://huggingface.co/Photolens)
|
||
|
|
- Modelo Original: [llama-2-7b-langchain-chat](https://huggingface.co/Photolens/llama-2-7b-langchain-chat)
|
||
|
|
|
||
|
|
## Arquivos Incluídos
|
||
|
|
|
||
|
|
| Nome | Método Quant | Bits | Tamanho | Desc |
|
||
|
|
| ---- | ---- | ---- | ---- | ----- |
|
||
|
|
| [llama-2-7b-langchain-chat-q4_0.gguf](https://huggingface.co/lucianosb/llama-2-7b-langchain-chat-GGUF/blob/main/llama-2-7b-langchain-chat-q4_0.gguf) | q4_0 | 4 | 3.56 GB | Quantização em 4-bit. |
|
||
|
|
| [llama-2-7b-langchain-chat-q4_1.gguf](https://huggingface.co/lucianosb/llama-2-7b-langchain-chat-GGUF/blob/main/llama-2-7b-langchain-chat-q4_1.gguf) | q4_1 | 4 | 3.95 GB | Quantização em 4-bit. Acurácia maior que q4_0 mas não tão boa quanto q5_0. Inferência mais rápida que os modelos q5. |
|
||
|
|
| [llama-2-7b-langchain-chat-q5_0.gguf](https://huggingface.co/lucianosb/llama-2-7b-langchain-chat-GGUF/blob/main/llama-2-7b-langchain-chat-q5_0.gguf) | q5_0 | 5 | 4.33 GB | Quantização em 5-bit. Melhor acurácia, maior uso de recursos, inferência mais lenta. |
|
||
|
|
| [llama-2-7b-langchain-chat-q5_1.gguf](https://huggingface.co/lucianosb/llama-2-7b-langchain-chat-GGUF/blob/main/llama-2-7b-langchain-chat-q5_1.gguf) | q5_1 | 5 | 4.72 GB | Quantização em 5-bit. Ainda Melhor acurácia, maior uso de recursos, inferência mais lenta. |
|
||
|
|
| [llama-2-7b-langchain-chat-q8_0.gguf](https://huggingface.co/lucianosb/llama-2-7b-langchain-chat-GGUF/blob/main/llama-2-7b-langchain-chat-q8_0.gguf) | q8_0 | 8 | 6.67 GB | Quantização 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](https://github.com/ggerganov/llama.cpp/blob/master/examples/main/README.md)
|
||
|
|
|
||
|
|
|
||
|
|
## 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](https://github.com/ggerganov/llama.cpp).
|
||
|
|
- [text-generation-webui](https://github.com/oobabooga/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](https://github.com/LostRuins/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](https://lmstudio.ai), 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](https://github.com/ParisNeo/lollms-webui), agora deve funcionar, escolha o backend c_transformers. Uma ótima interface web com muitos recursos interessantes. Suporta aceleração GPU CUDA.
|
||
|
|
- [ctransformers](https://github.com/marella/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](https://github.com/abetlen/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](https://github.com/huggingface/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](https://github.com/go-skynet/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>
|
||
|
|
````
|