Update README.md

README.md

@@ -6,18 +6,22 @@ Googleの言語モデル[gemma-2-27b-it](https://huggingface.co/google/gemma-2-2
 
 # 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>
-なお、謎のエラー「GGML_ASSERT: D:\a\llama.cpp\llama.cpp\ggml\src\ggml-cuda.cu:1257: to_fp32_cuda != nullptr」を回避するため、imatrixの算出においてはfloat16モデルを使用しました。
+なお、謎のエラー「GGML_ASSERT: D:\a\llama.cpp\llama.cpp\ggml\src\ggml-cuda.cu:1257: to_fp32_cuda != nullptr」を回避するため、imatrixの算出においてはf16精度のモデルを使用しました。
 
 # Chat template
 ```
-<bos><start_of_turn>user
+<start_of_turn>user
 ここにpromptを書きます<end_of_turn>
 <start_of_turn>model
 
 ```
+# Note
+**llama.cpp-b3266以降でのみご利用が可能です。**<br>
+モデル本来のコンテキスト長は8192ですが、現状のGGUF版gemma-2は4096以上のトークンを扱えないようです。これは、llama.cppがSliding Window Attention（＝前4096トークンのみに注意を向ける）を取り扱えず、Global Attentionとみなされて計算が行われてしまうためです。<br>
+また、このモデル特有の処理であるAttention logit cappingが存在するため、Flash Attentionの使用もできません。
 
 # Environment
-Windows版llama.cpp-b3259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。
+Windows版llama.cpp-b3266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