Чат AWQ — это эффективный, точный и молниеносный метод квантования весов с низким числом бит, который в настоящее время поддерживает 4-битное квантование. По сравнению с GPTQ этот метод обеспечивает более быстрое выполнение инференса на основе архитектуры Transformer с эквивалентным или более высоким качеством по сравнению с наиболее часто используемыми настройками GPTQ. — Text Generation Webui — с использованием загрузчика: AutoAWQ — vLLM — только модели Llama и Mistral — Hugging Face Text Generation Inference (TGI) — Transformers версии 4.35.0 и более поздних, из любого кода или клиента, поддерживающего Transformers — AutoAWQ — для использования из кода Python моделей AWQ для вывода на GPU. Модели GPTQ для инференса на GPU с несколькими вариантами параметров квантования. 8-, 6-, 5-, 4-, 3- и 2-битные модели GGUF для инференса на CPU и GPU Оригинальная неквантованная fp16-модель larryvrh в формате PyTorch для инференса на GPU и для дальнейшего…
Модальности:
Генерация текста
Задача: Генерация текста
Автор: TheBloke
Теги: llama, zh, en, text-generation-inference, 4-bit, awq
Лайков: 2 | Загрузок: 9
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.