[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-qwopqwop200--GPTQ-for-LLaMa":3,"tool-qwopqwop200--GPTQ-for-LLaMa":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":76,"owner_location":79,"owner_email":80,"owner_twitter":76,"owner_website":76,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":103,"github_topics":76,"view_count":10,"oss_zip_url":76,"oss_zip_packed_at":76,"status":16,"created_at":104,"updated_at":105,"faqs":106,"releases":135},676,"qwopqwop200\u002FGPTQ-for-LLaMa","GPTQ-for-LLaMa","4 bits quantization of LLaMA using GPTQ","GPTQ-for-LLaMa 是一款专为 LLaMA 大语言模型打造的量化压缩工具。它利用 GPTQ 算法将模型权重从 16 位浮点格式压缩至 4 位或 3 位，有效解决了大模型部署时显存占用过高、难以在普通硬件运行的问题。实测表明，LLaMA-7B 模型经此处理后，文件体积可从 12.5GB 降至 3.5GB 左右，且推理精度损失极小。\n\nGPTQ-for-LLaMa 适合希望优化推理效率的开发者与研究人员，特别是需要在有限资源下本地部署大模型的场景。其技术亮点在于采用了业界领先的单步权重量化方法，支持通过调整分组大小来平衡速度与精度。不过需注意，因依赖 Triton 库，它主要适用于 Linux 环境，Windows 用户需借助 WSL2。值得一提的是，项目作者目前已主推功能更完善的 AutoGPTQ，建议新用户优先考虑后者，但 GPTQ-for-LLaMa 依然是探索大模型量化技术的经典实践。","# GPTQ-for-LLaMA\n\n**I am currently focusing on [AutoGPTQ](https:\u002F\u002Fgithub.com\u002FPanQiWei\u002FAutoGPTQ) and recommend using [AutoGPTQ](https:\u002F\u002Fgithub.com\u002FPanQiWei\u002FAutoGPTQ) instead of GPTQ for Llama.**\n\n\u003Cimg src = https:\u002F\u002Fuser-images.githubusercontent.com\u002F64115820\u002F235287009-2d07bba8-9b85-4973-9e06-2a3c28777f06.png width=\"50%\" height=\"50%\">\n\n4 bits quantization of [LLaMA](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971) using [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)\n\nGPTQ is SOTA one-shot weight quantization method\n\n**It can be used universally, but it is not the [fastest](https:\u002F\u002Fgithub.com\u002Fqwopqwop200\u002FGPTQ-for-LLaMa\u002Ftree\u002Fold-cuda) and only supports linux.**\n\n**Triton only supports Linux, so if you are a Windows user, please use [WSL2](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fwindows\u002Fwsl\u002Finstall).**\n\n## News or Update\n**AutoGPTQ-triton, a packaged version of GPTQ with triton, has been integrated into [AutoGPTQ](https:\u002F\u002Fgithub.com\u002FPanQiWei\u002FAutoGPTQ).**\n## Result\n\u003Cdetails>\n\u003Csummary>LLaMA-7B(click me)\u003C\u002Fsummary>\n\n| [LLaMA-7B](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)       | Bits | group-size | memory(MiB) | Wikitext2 | checkpoint size(GB) |\n| -------------------------------------------------- | ---- | ---------- | ----------- | --------- | ------------------- |\n| FP16                                               |  16  |     -      |    13940    |    5.68   |         12.5        |\n| RTN                                                |  4   |     -      |      -      |    6.29   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |     -      |     4740    |    6.09   |          3.5        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |    128     |     4891    |    5.85   |          3.6        |\n| RTN                                                |  3   |     -      |      -      |   25.54   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |     -      |     3852    |    8.07   |          2.7        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |    128     |     4116    |    6.61   |          3.0        |\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>LLaMA-13B\u003C\u002Fsummary>\n\n| [LLaMA-13B](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)      | Bits | group-size | memory(MiB) | Wikitext2 | checkpoint size(GB) |\n| -------------------------------------------------- | ---- | ---------- | ----------- | --------- | ------------------- |\n| FP16                                               |  16  |     -      |     OOM     |    5.09   |         24.2        |\n| RTN                                                |  4   |     -      |      -      |    5.53   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |     -      |     8410    |    5.36   |          6.5        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |    128     |     8747    |    5.20   |          6.7        |\n| RTN                                                |  3   |     -      |      -      |   11.40   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |     -      |     6870    |    6.63   |          5.1        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |    128     |     7277    |    5.62   |          5.4        |\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>LLaMA-33B\u003C\u002Fsummary>\n\n| [LLaMA-33B](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)      | Bits | group-size | memory(MiB) | Wikitext2 | checkpoint size(GB) |\n| -------------------------------------------------- | ---- | ---------- | ----------- | --------- | ------------------- |\n| FP16                                               |  16  |     -      |     OOM     |    4.10   |         60.5        |\n| RTN                                                |  4   |     -      |      -      |    4.54   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |     -      |    19493    |    4.45   |         15.7        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |    128     |    20570    |    4.23   |         16.3        |\n| RTN                                                |  3   |     -      |      -      |   14.89   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |     -      |    15493    |    5.69   |         12.0        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |    128     |    16566    |    4.80   |         13.0        |\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>LLaMA-65B\u003C\u002Fsummary>\n\n| [LLaMA-65B](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)      | Bits | group-size | memory(MiB) | Wikitext2 | checkpoint size(GB) |\n| -------------------------------------------------- | ---- | ---------- | ----------- | --------- | ------------------- |\n| FP16                                               |  16  |     -      |     OOM     |    3.53   |         121.0       |\n| RTN                                                |  4   |     -      |      -      |    3.92   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |     -      |     OOM     |    3.84   |         31.1        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |    128     |     OOM     |    3.65   |         32.3        |\n| RTN                                                |  3   |     -      |      -      |   10.59   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |     -      |     OOM     |    5.04   |         23.6        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |    128     |     OOM     |    4.17   |         25.6        |\n\u003C\u002Fdetails>\n\nQuantization requires a large amount of CPU memory. However, the memory required can be reduced by using swap memory.\n\nDepending on the GPUs\u002Fdrivers, there may be a difference in performance, which decreases as the model size increases.(https:\u002F\u002Fgithub.com\u002FIST-DASLab\u002Fgptq\u002Fissues\u002F1)\n\nAccording to [GPTQ paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323), As the size of the model increases, the difference in performance between FP16 and GPTQ decreases.\n\n## GPTQ vs [bitsandbytes](https:\u002F\u002Fgithub.com\u002FTimDettmers\u002Fbitsandbytes)\n\n\u003Cdetails>\n\u003Csummary>LLaMA-7B(click me)\u003C\u002Fsummary>\n\n| [LLaMA-7B(seqlen=2048)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)       | Bits Per Weight(BPW)| memory(MiB) |  c4(ppl)  |\n| --------------------------------------------------------------- | ------------------- | ----------- | --------- |\n| FP16                                                            |  16                 |    13948    |    5.22   |\n| [GPTQ-128g](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)                   |  4.15               |     4781    |    5.30   |\n| [nf4-double_quant](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14314)            |  4.127              |     4804    |    5.30   |\n| [nf4](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14314)                         |  4.5                |     5102    |    5.30   |\n| [fp4](https:\u002F\u002Farxiv.org\u002Fabs\u002F2212.09720)                         |  4.5                |     5102    |    5.33   |\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>LLaMA-13B\u003C\u002Fsummary>\n\n| [LLaMA-13B(seqlen=2048)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)       | Bits Per Weight(BPW)| memory(MiB) |  c4(ppl)  |\n| ---------------------------------------------------------------- | ------------------- | ----------- | --------- |\n| FP16                                                             |  16                 |     OOM     |     -     |\n| [GPTQ-128g](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)                    |  4.15               |     8589    |    5.02   |\n| [nf4-double_quant](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14314)             |  4.127              |     8581    |    5.04   |\n| [nf4](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14314)                          |  4.5                |     9170    |    5.04   |\n| [fp4](https:\u002F\u002Farxiv.org\u002Fabs\u002F2212.09720)                          |  4.5                |     9170    |    5.11   |  \n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>LLaMA-33B\u003C\u002Fsummary>\n\n| [LLaMA-33B(seqlen=1024)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)       | Bits Per Weight(BPW)| memory(MiB) |  c4(ppl)  |\n| ---------------------------------------------------------------- | ------------------- | ----------- | --------- |\n| FP16                                                             |  16                 |     OOM     |     -     |\n| [GPTQ-128g](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)                    |  4.15               |    18441    |    3.71   |\n| [nf4-double_quant](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14314)             |  4.127              |    18313    |    3.76   |\n| [nf4](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14314)                          |  4.5                |    19729    |    3.75   |\n| [fp4](https:\u002F\u002Farxiv.org\u002Fabs\u002F2212.09720)                          |  4.5                |    19729    |    3.75   |\n  \n\u003C\u002Fdetails>\n\n## Installation\nIf you don't have [conda](https:\u002F\u002Fdocs.conda.io\u002Fen\u002Flatest\u002Fminiconda.html), install it first.\n```\nconda create --name gptq python=3.9 -y\nconda activate gptq\nconda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia\n# Or, if you're having trouble with conda, use pip with python3.9:\n# pip3 install torch torchvision torchaudio\n\ngit clone https:\u002F\u002Fgithub.com\u002Fqwopqwop200\u002FGPTQ-for-LLaMa\ncd GPTQ-for-LLaMa\npip install -r requirements.txt\n```\n## Dependencies\n\n* `torch`: tested on v2.0.0+cu117\n* `transformers`: tested on v4.28.0.dev0\n* `datasets`: tested on v2.10.1\n* `safetensors`: tested on v0.3.0\n\nAll experiments were run on a single NVIDIA RTX3090.\n\n# Language Generation\n## LLaMA\n\n```\n#convert LLaMA to hf\npython convert_llama_weights_to_hf.py --input_dir \u002Fpath\u002Fto\u002Fdownloaded\u002Fllama\u002Fweights --model_size 7B --output_dir .\u002Fllama-hf\n\n# Benchmark language generation with 4-bit LLaMA-7B:\n\n# Save compressed model\nCUDA_VISIBLE_DEVICES=0 python llama.py ${MODEL_DIR} c4 --wbits 4 --true-sequential --act-order --groupsize 128 --save llama7b-4bit-128g.pt\n\n# Or save compressed `.safetensors` model\nCUDA_VISIBLE_DEVICES=0 python llama.py ${MODEL_DIR} c4 --wbits 4 --true-sequential --act-order --groupsize 128 --save_safetensors llama7b-4bit-128g.safetensors\n\n# Benchmark generating a 2048 token sequence with the saved model\nCUDA_VISIBLE_DEVICES=0 python llama.py ${MODEL_DIR} c4 --wbits 4 --groupsize 128 --load llama7b-4bit-128g.pt --benchmark 2048 --check\n\n# Benchmark FP16 baseline, note that the model will be split across all listed GPUs\nCUDA_VISIBLE_DEVICES=0,1,2,3,4 python llama.py ${MODEL_DIR} c4 --benchmark 2048 --check\n\n# model inference with the saved model\nCUDA_VISIBLE_DEVICES=0 python llama_inference.py ${MODEL_DIR} --wbits 4 --groupsize 128 --load llama7b-4bit-128g.pt --text \"this is llama\"\n\n# model inference with the saved model using safetensors loaded direct to gpu\nCUDA_VISIBLE_DEVICES=0 python llama_inference.py ${MODEL_DIR} --wbits 4 --groupsize 128 --load llama7b-4bit-128g.safetensors --text \"this is llama\" --device=0\n\n# model inference with the saved model with offload(This is very slow).\nCUDA_VISIBLE_DEVICES=0 python llama_inference_offload.py ${MODEL_DIR} --wbits 4 --groupsize 128 --load llama7b-4bit-128g.pt --text \"this is llama\" --pre_layer 16\nIt takes about 180 seconds to generate 45 tokens(5->50 tokens) on single RTX3090 based on LLaMa-65B. pre_layer is set to 50.\n```\nBasically, 4-bit quantization and 128 groupsize are recommended.\n\nYou can also export quantization parameters with toml+numpy format.\n```\nCUDA_VISIBLE_DEVICES=0 python llama.py ${MODEL_DIR} c4 --wbits 4 --true-sequential --act-order --groupsize 128 --quant-directory ${TOML_DIR}\n```\n\n# Acknowledgements\nThis code is based on [GPTQ](https:\u002F\u002Fgithub.com\u002FIST-DASLab\u002Fgptq)\n\nThanks to Meta AI for releasing [LLaMA](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971), a powerful LLM.\n\nTriton GPTQ kernel code is based on [GPTQ-triton](https:\u002F\u002Fgithub.com\u002Ffpgaminer\u002FGPTQ-triton)\n","# GPTQ-for-LLaMA\n\n**我目前正专注于 [AutoGPTQ](https:\u002F\u002Fgithub.com\u002FPanQiWei\u002FAutoGPTQ)，推荐使用 [AutoGPTQ](https:\u002F\u002Fgithub.com\u002FPanQiWei\u002FAutoGPTQ) 替代 GPTQ for Llama。**\n\n\u003Cimg src = https:\u002F\u002Fuser-images.githubusercontent.com\u002F64115820\u002F235287009-2d07bba8-9b85-4973-9e06-2a3c28777f06.png width=\"50%\" height=\"50%\">\n\n使用 [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323) 对 [LLaMA](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971) 进行 4 位量化\n\nGPTQ 是一种 SOTA（最先进）的单次权重量化方法\n\n**它可以通用使用，但它不是 [最快](https:\u002F\u002Fgithub.com\u002Fqwopqwop200\u002FGPTQ-for-LLaMa\u002Ftree\u002Fold-cuda) 的，且仅支持 Linux。**\n\n**Triton 仅支持 Linux，因此如果您是 Windows 用户，请使用 [WSL2](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fwindows\u002Fwsl\u002Finstall)。**\n\n## 新闻与更新\n**集成了 Triton 的 GPTQ 打包版本 AutoGPTQ-triton 已整合进 [AutoGPTQ](https:\u002F\u002Fgithub.com\u002FPanQiWei\u002FAutoGPTQ)。**\n## 结果\n\u003Cdetails>\n\u003Csummary>LLaMA-7B(点击我)\u003C\u002Fsummary>\n\n| [LLaMA-7B](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)       | 位数 | 组大小 | 内存 (MiB) | Wikitext2 | 检查点大小 (GB) |\n| -------------------------------------------------- | ---- | ---------- | ----------- | --------- | ------------------- |\n| FP16                                               |  16  |     -      |    13940    |    5.68   |         12.5        |\n| RTN                                                |  4   |     -      |      -      |    6.29   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |     -      |     4740    |    6.09   |          3.5        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |    128     |     4891    |    5.85   |          3.6        |\n| RTN                                                |  3   |     -      |      -      |   25.54   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |     -      |     3852    |    8.07   |          2.7        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |    128     |     4116    |    6.61   |          3.0        |\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>LLaMA-13B\u003C\u002Fsummary>\n\n| [LLaMA-13B](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)      | 位数 | 组大小 | 内存 (MiB) | Wikitext2 | 检查点大小 (GB) |\n| -------------------------------------------------- | ---- | ---------- | ----------- | --------- | ------------------- |\n| FP16                                               |  16  |     -      |     OOM     |    5.09   |         24.2        |\n| RTN                                                |  4   |     -      |      -      |    5.53   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |     -      |     8410    |    5.36   |          6.5        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |    128     |     8747    |    5.20   |          6.7        |\n| RTN                                                |  3   |     -      |      -      |   11.40   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |     -      |     6870    |    6.63   |          5.1        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |    128     |     7277    |    5.62   |          5.4        |\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>LLaMA-33B\u003C\u002Fsummary>\n\n| [LLaMA-33B](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)      | 位数 | 组大小 | 内存 (MiB) | Wikitext2 | 检查点大小 (GB) |\n| -------------------------------------------------- | ---- | ---------- | ----------- | --------- | ------------------- |\n| FP16                                               |  16  |     -      |     OOM     |    4.10   |         60.5        |\n| RTN                                                |  4   |     -      |      -      |    4.54   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |     -      |    19493    |    4.45   |         15.7        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |    128     |    20570    |    4.23   |         16.3        |\n| RTN                                                |  3   |     -      |      -      |   14.89   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |     -      |    15493    |    5.69   |         12.0        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |    128     |    16566    |    4.80   |         13.0        |\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>LLaMA-65B\u003C\u002Fsummary>\n\n| [LLaMA-65B](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)      | 位数 | 组大小 | 内存 (MiB) | Wikitext2 | 检查点大小 (GB) |\n| -------------------------------------------------- | ---- | ---------- | ----------- | --------- | ------------------- |\n| FP16                                               |  16  |     -      |     OOM     |    3.53   |         121.0       |\n| RTN                                                |  4   |     -      |      -      |    3.92   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |     -      |     OOM     |    3.84   |         31.1        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  4   |    128     |     OOM     |    3.65   |         32.3        |\n| RTN                                                |  3   |     -      |      -      |   10.59   |          -          |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |     -      |     OOM     |    5.04   |         23.6        |\n| [GPTQ](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)           |  3   |    128     |     OOM     |    4.17   |         25.6        |\n\u003C\u002Fdetails>\n\n量化需要大量的 CPU 内存。不过，可以通过使用交换内存来减少所需的内存。\n\n根据 GPU\u002F驱动的不同，性能可能存在差异，且随着模型规模的增大，这种差异会减小。(https:\u002F\u002Fgithub.com\u002FIST-DASLab\u002Fgptq\u002Fissues\u002F1)\n\n根据 [GPTQ 论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)，随着模型规模的增加，FP16 和 GPTQ 之间的性能差异会减小。\n\n## GPTQ 与 [bitsandbytes](https:\u002F\u002Fgithub.com\u002FTimDettmers\u002Fbitsandbytes)\n\n\u003Cdetails>\n\u003Csummary>LLaMA-7B(点击我)\u003C\u002Fsummary>\n\n| [LLaMA-7B(seqlen=2048)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)       | 每权重位数 (BPW)| 内存 (MiB) |  c4 困惑度 (ppl)  |\n| --------------------------------------------------------------- | ------------------- | ----------- | --------- |\n| FP16                                                            |  16                 |    13948    |    5.22   |\n| [GPTQ-128g](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)                   |  4.15               |     4781    |    5.30   |\n| [nf4-double_quant](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14314)            |  4.127              |     4804    |    5.30   |\n| [nf4](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14314)                         |  4.5                |     5102    |    5.30   |\n| [fp4](https:\u002F\u002Farxiv.org\u002Fabs\u002F2212.09720)                         |  4.5                |     5102    |    5.33   |\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>LLaMA-13B\u003C\u002Fsummary>\n\n| [LLaMA-13B(seqlen=2048)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)       | 每权重位数 (BPW)| 内存 (MiB) |  c4 困惑度 (ppl)  |\n| ---------------------------------------------------------------- | ------------------- | ----------- | --------- |\n| FP16                                                             |  16                 |     OOM     |     -     |\n| [GPTQ-128g](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)                    |  4.15               |     8589    |    5.02   |\n| [nf4-double_quant](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14314)             |  4.127              |     8581    |    5.04   |\n| [nf4](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14314)                          |  4.5                |     9170    |    5.04   |\n| [fp4](https:\u002F\u002Farxiv.org\u002Fabs\u002F2212.09720)                          |  4.5                |     9170    |    5.11   |  \n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>LLaMA-33B\u003C\u002Fsummary>\n\n| [LLaMA-33B(seqlen=1024)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)       | 每权重位数 (BPW)| 内存 (MiB) |  c4 困惑度 (ppl)  |\n| ---------------------------------------------------------------- | ------------------- | ----------- | --------- |\n| FP16                                                             |  16                 |     OOM     |     -     |\n| [GPTQ-128g](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.17323)                    |  4.15               |    18441    |    3.71   |\n| [nf4-double_quant](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14314)             |  4.127              |    18313    |    3.76   |\n| [nf4](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14314)                          |  4.5                |    19729    |    3.75   |\n| [fp4](https:\u002F\u002Farxiv.org\u002Fabs\u002F2212.09720)                          |  4.5                |    19729    |    3.75   |\n  \n\u003C\u002Fdetails>\n\n## 安装\n如果您尚未安装 [conda](https:\u002F\u002Fdocs.conda.io\u002Fen\u002Flatest\u002Fminiconda.html)，请先安装。\n```\nconda create --name gptq python=3.9 -y\nconda activate gptq\nconda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia\n# Or, if you're having trouble with conda, use pip with python3.9:\n# pip3 install torch torchvision torchaudio\n\ngit clone https:\u002F\u002Fgithub.com\u002Fqwopqwop200\u002FGPTQ-for-LLaMa\ncd GPTQ-for-LLaMa\npip install -r requirements.txt\n```\n## 依赖项\n\n* `torch`: 已在 v2.0.0+cu117 版本测试\n* `transformers`: 已在 v4.28.0.dev0 版本测试\n* `datasets`: 已在 v2.10.1 版本测试\n* `safetensors`: 已在 v0.3.0 版本测试\n\n所有实验均在单张 NVIDIA RTX3090 显卡上运行。\n\n# 语言生成\n## LLaMA\n\n```\n#convert LLaMA to hf\npython convert_llama_weights_to_hf.py --input_dir \u002Fpath\u002Fto\u002Fdownloaded\u002Fllama\u002Fweights --model_size 7B --output_dir .\u002Fllama-hf\n\n# Benchmark language generation with 4-bit LLaMA-7B:\n\n# Save compressed model\nCUDA_VISIBLE_DEVICES=0 python llama.py ${MODEL_DIR} c4 --wbits 4 --true-sequential --act-order --groupsize 128 --save llama7b-4bit-128g.pt\n\n# Or save compressed `.safetensors` model\nCUDA_VISIBLE_DEVICES=0 python llama.py ${MODEL_DIR} c4 --wbits 4 --true-sequential --act-order --groupsize 128 --save_safetensors llama7b-4bit-128g.safetensors\n\n# Benchmark generating a 2048 token sequence with the saved model\nCUDA_VISIBLE_DEVICES=0 python llama.py ${MODEL_DIR} c4 --wbits 4 --groupsize 128 --load llama7b-4bit-128g.pt --benchmark 2048 --check\n\n# Benchmark FP16 baseline, note that the model will be split across all listed GPUs\nCUDA_VISIBLE_DEVICES=0,1,2,3,4 python llama.py ${MODEL_DIR} c4 --benchmark 2048 --check\n\n# model inference with the saved model\nCUDA_VISIBLE_DEVICES=0 python llama_inference.py ${MODEL_DIR} --wbits 4 --groupsize 128 --load llama7b-4bit-128g.pt --text \"this is llama\"\n\n# model inference with the saved model using safetensors loaded direct to gpu\nCUDA_VISIBLE_DEVICES=0 python llama_inference.py ${MODEL_DIR} --wbits 4 --groupsize 128 --load llama7b-4bit-128g.safetensors --text \"this is llama\" --device=0\n\n# model inference with the saved model with offload(This is very slow).\nCUDA_VISIBLE_DEVICES=0 python llama_inference_offload.py ${MODEL_DIR} --wbits 4 --groupsize 128 --load llama7b-4bit-128g.pt --text \"this is llama\" --pre_layer 16\nIt takes about 180 seconds to generate 45 tokens(5->50 tokens) on single RTX3090 based on LLaMa-65B. pre_layer is set to 50.\n```\n通常建议使用 4-bit 量化和 128 的组大小 (groupsize)。\n\n您也可以使用 toml+numpy 格式导出量化参数。\n```\nCUDA_VISIBLE_DEVICES=0 python llama.py ${MODEL_DIR} c4 --wbits 4 --true-sequential --act-order --groupsize 128 --quant-directory ${TOML_DIR}\n```\n\n# 致谢\n本代码基于 [GPTQ](https:\u002F\u002Fgithub.com\u002FIST-DASLab\u002Fgptq)\n\n感谢 Meta AI 发布了强大的大语言模型 (LLM) [LLaMA](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13971)。\n\nTriton GPTQ 内核代码基于 [GPTQ-triton](https:\u002F\u002Fgithub.com\u002Ffpgaminer\u002FGPTQ-triton)","# GPTQ-for-LLaMa 快速上手指南\n\n> ⚠️ **重要提示**：作者目前专注于 [AutoGPTQ](https:\u002F\u002Fgithub.com\u002FPanQiWei\u002FAutoGPTQ)，强烈建议优先使用 AutoGPTQ。本指南仅针对 GPTQ-for-LLaMa 项目。\n\n## 1. 环境准备\n\n- **操作系统**: 推荐 **Linux**。\n  - **Windows 用户**: 必须使用 **WSL2**（因为 Triton 仅支持 Linux）。\n- **硬件要求**: NVIDIA GPU (实验基于 RTX3090)。\n  - **注意**: 量化过程需要大量 CPU 内存，如果内存不足，建议配置 Swap 内存。\n- **Python 版本**: 3.9+\n- **核心依赖**:\n  - `torch`: v2.0.0+ (CUDA 11.7+)\n  - `transformers`: v4.28.0.dev0+\n  - `datasets`: v2.10.1+\n  - `safetensors`: v0.3.0+\n\n## 2. 安装步骤\n\n```bash\n# 1. 创建并激活 conda 环境\nconda create --name gptq python=3.9 -y\nconda activate gptq\n\n# 2. 安装 PyTorch (CUDA 11.7)\nconda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia\n# 或者使用 pip (若 conda 有问题):\n# pip3 install torch torchvision torchaudio\n\n# 3. 克隆仓库并安装依赖\ngit clone https:\u002F\u002Fgithub.com\u002Fqwopqwop200\u002FGPTQ-for-LLaMa\ncd GPTQ-for-LLaMa\npip install -r requirements.txt\n```\n\n## 3. 基本使用\n\n### 3.1 转换权重格式\n首先将下载的原始 LLaMA 权重转换为 HuggingFace 格式：\n\n```bash\npython convert_llama_weights_to_hf.py --input_dir \u002Fpath\u002Fto\u002Fdownloaded\u002Fllama\u002Fweights --model_size 7B --output_dir .\u002Fllama-hf\n```\n\n### 3.2 模型量化与保存\n推荐使用 **4-bit 量化** 和 **128 groupsize**。\n\n保存为 `.pt` 文件：\n```bash\nCUDA_VISIBLE_DEVICES=0 python llama.py ${MODEL_DIR} c4 --wbits 4 --true-sequential --act-order --groupsize 128 --save llama7b-4bit-128g.pt\n```\n\n或保存为 `.safetensors` 文件：\n```bash\nCUDA_VISIBLE_DEVICES=0 python llama.py ${MODEL_DIR} c4 --wbits 4 --true-sequential --act-order --groupsize 128 --save_safetensors llama7b-4bit-128g.safetensors\n```\n\n### 3.3 推理测试\n加载量化后的模型进行文本生成：\n\n加载 `.pt` 模型：\n```bash\nCUDA_VISIBLE_DEVICES=0 python llama_inference.py ${MODEL_DIR} --wbits 4 --groupsize 128 --load llama7b-4bit-128g.pt --text \"this is llama\"\n```\n\n加载 `.safetensors` 模型（直接加载至 GPU）：\n```bash\nCUDA_VISIBLE_DEVICES=0 python llama_inference.py ${MODEL_DIR} --wbits 4 --groupsize 128 --load llama7b-4bit-128g.safetensors --text \"this is llama\" --device=0\n```","某初创公司技术团队计划在一台配备单张 RTX 3090 的服务器上部署 LLaMA-7B 模型，为内部系统提供智能客服问答支持。\n\n### 没有 GPTQ-for-LLaMa 时\n- 标准 FP16 模型需要约 14GB 显存，导致单卡运行时频繁出现 OOM 错误，服务无法稳定启动。\n- 原始模型文件高达 12.5GB，在低带宽内网环境中传输耗时，且增加了云存储成本。\n- 为了勉强运行不得不购买多卡服务器或租用昂贵的高显存实例，初期硬件投入超出预算。\n\n### 使用 GPTQ-for-LLaMa 后\n- 借助 4bit 量化技术，模型显存占用降至约 4.7GB，单张消费级显卡即可轻松承载推理任务。\n- 模型权重文件压缩至 3.5GB 左右，大幅减少了网络传输时间，本地加载速度明显变快。\n- 在 Wikitext2 测试集表现接近原版精度的同时，推理延迟降低，用户等待体验得到显著改善。\n\n通过极致压缩模型体积，GPTQ-for-LLaMa 让大模型在低成本硬件上的高效部署成为现实。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fqwopqwop200_GPTQ-for-LLaMa_91eeeaf8.png","qwopqwop200",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fqwopqwop200_565d7c15.png","If I have seen further it is by standing on the shoulders of giants","Seoul, South Korea","qwopqwop200@gmail.com","https:\u002F\u002Fgithub.com\u002Fqwopqwop200",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,3071,454,"2026-04-03T09:27:36","Apache-2.0","Linux","需要 NVIDIA GPU，CUDA 11.7+，显存需求随模型增大（7B 约需 5GB+）","未说明（提示量化过程需要大量 CPU 内存）",{"notes":95,"python":96,"dependencies":97},"1. 作者建议优先使用 AutoGPTQ 替代本工具；2. 原生仅支持 Linux，Windows 需通过 WSL2 运行；3. Triton 后端仅支持 Linux；4. 量化过程对 CPU 内存要求较高，可使用 swap 缓解；5. 推荐使用 conda 管理环境；6. 默认推荐 4-bit 量化和 128 group-size。","3.9",[98,99,100,101,102],"torch>=2.0","transformers>=4.28","datasets>=2.10","safetensors>=0.3","pytorch-cuda=11.7",[26,13],"2026-03-27T02:49:30.150509","2026-04-06T10:27:36.475377",[107,112,116,120,125,130],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},2810,"Windows 上编译内核时提示找不到 cl 编译器或 Ninja 怎么办？","这是因为缺少 Visual Studio 构建工具。请安装 Visual Studio 2019 的 Build Tools。下载地址：https:\u002F\u002Faka.ms\u002Fvs\u002F16\u002Frelease\u002Fvs_buildtools.exe。注意必须使用 2019 版本，而非 2022。","https:\u002F\u002Fgithub.com\u002Fqwopqwop200\u002FGPTQ-for-LLaMa\u002Fissues\u002F11",{"id":113,"question_zh":114,"answer_zh":115,"source_url":111},2811,"在 Windows 上成功编译 GPTQ-for-LLaMa 的完整环境配置步骤是什么？","推荐步骤如下：\n1. 安装 Visual Studio 2019 Build Tools。\n2. 安装 Miniconda。\n3. 打开 \"x64 native tools command prompt\"。\n4. 激活 conda 环境。\n5. 创建新环境 `conda create -n gptq` 并激活。\n6. 安装特定版本的 CUDA 和 PyTorch：`conda install cuda -c nvidia\u002Flabel\u002Fcuda-11.3.0 -c nvidia\u002Flabel\u002Fcuda-11.3.1` 和 `pip install torch==1.12+cu113`。\n7. 克隆项目并安装依赖。",{"id":117,"question_zh":118,"answer_zh":119,"source_url":111},2812,"不想手动编译 CUDA 内核，是否有现成的预编译包可以使用？","是的，建议直接使用社区提供的预编译 Wheel 文件，避免本地编译的兼容性问题。推荐使用以下仓库中的版本：https:\u002F\u002Fgithub.com\u002Fjllllll\u002FGPTQ-for-LLaMa-Wheels。注意旧版本可能不完全兼容最新的补丁。",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},2813,"为什么 4-bit 量化模型的推理延迟会高于 FP16 模型？","这通常是因为支持 act-order 和 groupsize 的 CUDA 内核实现导致开销增加。部分原本更快的内核因不支持 act-order 已被移除。在 V100 等硬件上，FP16 平均延迟约 70ms，而 4-bit 可能达到 90ms 或更高。","https:\u002F\u002Fgithub.com\u002Fqwopqwop200\u002FGPTQ-for-LLaMa\u002Fissues\u002F153",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},2814,"如何优化 4-bit 量化模型的推理速度以获得更好性能？","目前官方推荐使用 Triton 实现代替 CUDA 分支。因为 CUDA 内核每次计算量较小且需频繁读取数据，而 Triton 内核能更好地利用缓存并根据 M、N、K 自适应调整块大小。在大多数情况下，Triton 的性能优于当前的 CUDA 实现。","https:\u002F\u002Fgithub.com\u002Fqwopqwop200\u002FGPTQ-for-LLaMa\u002Fissues\u002F82",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},2815,"启动 text-generation-webui 时提示 `ModuleNotFoundError: No module named 'llama_inference_offload'` 如何解决？","该错误通常是因为缺少 GPTQ-for-LLaMa 的仓库目录。请确保在 `text-generation-webui\u002Frepositories\u002F` 目录下存在 `GPTQ-for-LLaMa` 文件夹。如果使用的是特定安装包（如 seait_installers），请确认其包含正确的依赖结构。","https:\u002F\u002Fgithub.com\u002Fqwopqwop200\u002FGPTQ-for-LLaMa\u002Fissues\u002F161",[]]