LFM2.5 Q4\_0 Checkpoints from Quantization-Aware Distillation
Artikelbild eller återanvändbart omslag för Hugging Face
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 har tagits fram med AI av Vibekollen utifrån källans publicering. Innehållet tillhör Hugging Face.
Mer att läsa
The Agent Said It Was Done. The Database Disagreed.
Hugging Face 4 okt.
Server-Side Code Execution Tools for AI Agents, Compared
OpenRouter för 10 tim sedan
v0.40.0
Ollama för 10 tim sedan
Google froze its open source bug bounty program due to a ‘significant rise’ in AI submissions
TechCrunch AI för 14 tim sedan