File size: 2,129 Bytes
5b7a74b
 
 
 
640fea2
 
 
 
 
 
 
 
 
5b7a74b
 
 
640fea2
 
5b7a74b
 
 
89f8688
5b7a74b
 
 
 
640fea2
 
 
 
 
 
 
 
 
89f8688
640fea2
 
 
5b7a74b
 
640fea2
5b7a74b
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
---
license: gemma
---
# What is this?
Googleの言語モデル[gemma-2-27b-it](https://huggingface.co/google/gemma-2-27b-it)をGGUFフォーマットに変換したものです。<br>
一連の作業前にllama.cppのトークナイザテスト機能([#8248](https://github.com/ggerganov/llama.cpp/pull/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](https://huggingface.co/datasets/TFMC/imatrix-dataset-for-japanese-llm)データセットを使用しました。<br>
imatrixの算出は本来の精度(=bfloat16)で行いました。<br>
(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。**<br>
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。<br>
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](https://github.com/ggerganov/llama.cpp/pull/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