大模型基于llama.cpp量化详解
概述
llama.cpp 是一个高性能的 LLM 推理库，支持在各种硬件（包括 CPU 和 GPU）上运行量化后的大语言模型。本文档详细介绍如何使用 llama.cpp 将 HuggingFace 格式的模型转换为 GGUF 格式，并进行不同程度的量化。
GGUF 格式：GGUF（Georgi Gerganov Universal Format）是 llama.cpp 专门设计的模型文件格式，针对快速加载和保存模型进行了优化，支持单文件部署，包含加载模型所需的所有信息，无需依赖外部文件。
1.安装cmake
CMake 是跨平台的构建工具，用于编译 llama.cpp 项目。
下载地址：https://cmake.org/download/
安装建议：
- Windows 用户建议下载
cmake-3.x.x-windows-x86_64.msi安装包 - 安装时选择 “Add CMake to the system PATH”，以便在命令行中直接使用
验证安装：
cmake --version 2.安装llama.cpp ```bash git clone https://github.com/ggerganov/llama.cpp convert_hf_to_gguf.py：HuggingFace 格式转 GGUF 的脚本
llama-quantize（或 quantize.exe）：量化工具
main（或 main.exe）：推理主程序
examples/：各种示例程序
3.编译
cd llama.cpp pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip install -r requirements/requirements-convert_hf_to_gguf.txt cmake -G "MinGW Makefiles" -DCMAKE_C_COMPILER=gcc -DCMAKE_CXX_COMPILER=g++ -B build cmake --build build --config Release 4.模型转换
将safetensors转换为gguf
convert-hf-to-gguf.py D:\\Project\\2026\\llama3-lora-merge --outtype f16 --outfile D:\\Project\\2026\\my_llama3.gguf 参数说明：
D:\Project\2026\llama3-lora-merge：输入模型路径（包含 config.json 和权重文件的目录）
–outtype f16：输出类型，f16 表示半精度浮点数（16-bit），可选 f32（全精度）或 bf16
–outfile：输出 GGUF 文件路径
| 类型 | 精度 | 说明 |
|---|---|---|
f32 | 32-bit | 全精度，文件最大，精度最高 |
f16 | 16-bit | 半精度，平衡选择 |
bf16 | 16-bit | Brain Float，动态范围更大 |
q8_0 | 8-bit | 直接量化为 8 位 |
6.进一步量化
D:\Project\2026\test_llama3.cpp\llama.cpp\build\bin\Release quantize.exe D:\\Project\\2026\\my_llama3.gguf D:\\Project\\2026\\quantized_model.gguf q4_0 llama-quantize可执行文件来对模型进行进一步量化处理。量化可以帮助我们减少模型的大小，但是代价是损失了模型精度，也就是模型回答的能力可能有所下降。权衡以后我们可以选择合适的量化参数，保证模型的最大效益。
量化使用 q 表示存储权重的位数。位数越低，模型越小，速度越快，但精度损失越大。
| 量化类型 | 位宽 | 精度损失 | 适用场景 | 典型压缩率 |
|---|---|---|---|---|
q2_k | 2-bit | 高 | 极低资源环境，实验用途 | ~75% |
q3_k_s / q3_k_m / q3_k_l | 3-bit | 中高 | 资源受限，可接受一定质量损失 | ~60% |
q4_0 / q4_1 | 4-bit | 中 | 最常用，平衡大小与质量 | ~50% |
q4_k_s / q4_k_m | 4-bit | 中 | 改进的 4-bit，质量更好 | ~50% |
q5_0 / q5_1 | 5-bit | 低 | 较高质量要求 | ~40% |
q5_k_s / q5_k_m | 5-bit | 低 | 改进的 5-bit | ~40% |
q6_k | 6-bit | 很低 | 接近原始质量 | ~35% |
q8_0 | 8-bit | 极低 | 几乎无损，文件较大 | ~25% |
f16 | 16-bit | 无 | 原始转换，未量化 | 0% |
K-quant 说明：
后缀带 _k 的（如 q4_k_m）使用改进的量化算法
混合量化策略：对 attention 层使用更高精度，其他层使用较低精度
_s（small）、_m（medium）、_l（large）表示混合程度
