What is this?

Googleの言語モデルgemma-2-27b-itをGGUFフォーマットに変換したものです。
一連の作業前にllama.cppのトークナイザテスト機能(#8248)にて動作の正確性の確認を行いました。

テスト内容

python convert_hf_to_gguf_update.py <hf_token>
python convert_hf_to_gguf.py models/tokenizers/gemma-2/ --outfile models/ggml-vocab-gemma-2.gguf --vocab-only
test-tokenizer-0 models/ggml-vocab-gemma-2.gguf

imatrix dataset

日本語能力を重視し、日本語が多量に含まれるTFMC/imatrix-dataset-for-japanese-llmデータセットを使用しました。
imatrixの算出は本来の精度（=bfloat16）で行いました。
（余談ですが、CUDAを使わずCPUオンリーで数時間かけてimatrixを計算したのでなかなか大変でした。これは、bf16精度でのimatrix計算に現行のCUDA版llama.cppが対応していないことによるものです）

Chat template

<start_of_turn>user
ここにpromptを書きます<end_of_turn>
<start_of_turn>model

Quants

各クオンツと必要と想定されるVRAM使用量をまとめておきます。

クオンツ	VRAM
IQ4_XS	20GB
Q4_K_M	22GB
Q5_K_M	24GB

Note

llama.cpp-b3389以降と合わせてご利用ください。
なお、このモデル特有の処理であるAttention logit soft-cappingが存在するため、現状では-fa オプションによるFlash Attentionの使用はできません。
GGUF版gemma-2が4096以上のトークンを扱えない問題は、llama.cppのSliding Window Attention対応アップデート(#8227)によって解決されました。

Environment

Windows版llama.cpp-b3389および同時リリースのconvert_hf_to_gguf.pyを使用して量子化作業を実施しました。

License

gemma license

Developer

Google