LFM2.5 Q4\_0 Checkpoints from Quantization-Aware Distillation
Bild från huggingface.co
Liquid AI har släppt optimerade versioner av sin LFM2.5-modell med en teknik som kallas Quantization-Aware Distillation (QAD).
Denna metod tar en högprecisions-modell och destillerar den till en komprimerad version som använder mindre minne och kör snabbare, utan att förlora mycket kvalitet — de återfår 97 procent av den ursprungliga prestandan. Modellerna finns i fyra storlekar (från 230 miljoner till 2,6 miljarder parametrar) och är testade på uppgifter som resonemang, instruktionsföljning och verktygsanvändning. Filerna kan användas direkt med llama.cpp eller andra verktyg som stöder GGUF-formatet.
Trained with Quantization-Aware Distillation (QAD): a high-precision teacher model is distilled into a quantized student model
Sammanfattningen är skriven av Vibekollen utifrån källans egen publicering. Innehållet tillhör Hugging Face.
Mer från Hugging Face
IBM releases SOTA Granite Time Series PatchTST-FM-r2 model with commercial-friendly license
Hugging Face för 7 tim sedan
Safety for Whom? Refusing the Right Subset of a Topic, Not the Whole Topic
Hugging Face 8 sep.
v0.34.0
Ollama för 20 min sedan
The exact tools used to port a massive codebase in days #programming #typescript #dev
AI Engineer för 3 tim sedan