大模型模型量化本地部署人工智能代码模型【免费下载链接】flint-oQ3e项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/flint-oQ3e点击查看免费下载本文带你逐层解剖flint-oQ3e—— 一款面向 Apple Silicon 优化的 MoE 语言模型——它的 18.5 GB safetensors 模型文件从分片布局、权重索引到 affine 量化存储格式与 3/6/8 位混合精度分配策略一次讲清每个字节都去了哪里。flint-oQ3e 是 Recursive Flint40B 总参数、每 token 激活约 2.5B在 Apple Silicon 上的量化版本采用 oMLX 的oQ3e方案数据驱动的混合精度 imatrix 校准裁剪平均位宽仅3.71 bits/weight把 79.6 GB 的 bf16 原权重压进了 18.5 GB。一、目录速览模型仓库里都有什么文件整个仓库非常干净12 个文件各司其职文件大小作用model-00001-of-00004.safetensors≈5.05 GB权重分片 1lm_head、embed、第 0 层起model-00002-of-00004.safetensors≈5.05 GB权重分片 2model-00003-of-00004.safetensors≈5.05 GB权重分片 3model-00004-of-00004.safetensors≈3.29 GB权重分片 4尾部层 最终 normmodel.safetensors.index.json179 KB权重索引1798 个张量 → 分片映射config.json92 KB模型结构 逐模块量化配置oq_imatrix_report.json34 KBimatrix 校准报告敏感度数据chat_template.jinja2.3 KB对话模板tokenizer.json / tokenizer_config.json—词表与分词配置vocab 150144generation_config.json202 B推荐采样参数temperature 1.0 / top-p 0.95 / top-k 20 4 个分片合计18 439 679 184 字节 ≈ 18.44 GB与索引中记录的总大小完全一致。二、总目录model.safetensors.index.json 如何组织 1798 个张量多分片 safetensors 模型靠一个 index 文件做总目录。打开 model.safetensors.index.json 可以看到两类信息metadata: { total_size: 18439679184 }, weight_map: { language_model.lm_head.weight: model-00001-of-00004.safetensors, ... }total_size全部权重数据的总字节数18.44 GBweight_map1798 个张量逐一映射到 4 个分片分片 1 承载 1417 个其余分片各 94~144 个。按张量后缀统计整个模型的家当可以分成 5 类张量后缀数量含义.weight730主权重其中 486 个是被量化的 int 打包数据.scales486量化缩放因子每组一个.biases486量化偏置项affine 模式特有.softmax_offset49可学习 softmax 偏移每层注意力一个.expert_bias47MoE 路由专家偏置每个 MoE 层一个注意 486 730 − 244486 个线性层被量化每层拆成 weight/scales/biases 三件套244 个张量保留全精度49 层 × 4 个 RMSNorm 47 个 MoE 路由器 1 个最终 norm。 所有张量名都带language_model.前缀——因为该模型通过 mlx-vlm 的视觉语言架构量化纯文本运行时 oMLX / mlx-vlm 会按原样加载无需改名。三、一个量化线性层内部weight scales biases 三件套以第 0 层为例索引文件 中layers.0.self_attn.q_proj对应三个张量q_proj.weight不是浮点数而是3-bit 打包的整型数据多个权重挤进一个 32-bit 整数q_proj.scales每个64 个权重一组group_size64组内一个缩放因子q_proj.biases每组的偏置项。这就是affine仿射量化存储格式还原公式原始权重 ≈ scale × (量化值) bias对每个 64 元素的组独立成立。相比只有 scale 的对称量化affine 多存一份 biases能表达每组的非对称分布是保真度的重要来源。486 个被量化线性层的构成模块数量位宽49 层注意力的 q/k/v/o 投影1966 或 8 bit逐层不同前 2 个稠密层的 gate/up/down_proj68 bit47 个 MoE 层的 shared_expert3 个投影1418 bit47 个 MoE 层的 switch_mlp256 个路由专家3 个投影1413 bitembed_tokens lm_head28 bit / 6 bit四、混合精度的脑图3 位打底按敏感度加码config.json 的quantization字段是这套文件最精彩的部分——默认值 345 条逐模块覆盖quantization: { group_size: 64, bits: 3, mode: affine, language_model.lm_head: { bits: 6, group_size: 64, mode: affine }, language_model.model.embed_tokens: { bits: 8, ... }, ... }分配逻辑一句话总结能省的省到极致不能省的一分不少模块位宽原因路由专家 switch_mlp3 bit占体积大头但对单 token 只激活 6/256 个压缩空间最大共享专家 shared_expert8 bit组 128每个 token 都经过质量敏感稠密层0/1 层MLP8 bit每层必走embed_tokens8 bit词表入口压缩伤根基lm_head6 bit输出层折中注意力投影6/8 bit 混合由敏感度实测决定25 层全 6 位、28 层全 8 位、4 层按 q/k/v 拆分敏感度从哪来imatrix 校准报告eenhanced的含义量化前用128 条代码语料样本过一遍 bf16 模型逐组按激活重要性选裁剪范围。oq_imatrix_report.json 完整记录了这一过程采样计划自适应从 128 条加到 256 条直到全部36096 个专家141 个 SwitchLinear 模块 × 256 专家都被覆盖专家覆盖率active_ratio: 1.0零激活专家为 0——没有漏网的专家逐层敏感度第 0 层高达 0.0496而第 47 层只有 1.5e-06——差了近5 万倍。这正是为什么 47/48 层注意力的投影可以大胆压到 6 bit而第 0~11 层必须保留 8 bit。⚠️ 作者还专门验证过把 group_size 全改成 128 能省 1.2 GB但平均 KL 从 0.222 涨到 0.263oQ4e 场景且没有提速——所以全部张量统一 64共享专家为 128。五、为什么恰好是 18.5 GB粗算一下账40B 参数 × 16 bit 79.6 GBbf16。oQ3e 的平均位宽 3.71 bit理论体积 ≈ 79.6 × 3.71/16 ≈18.4 GB加上 scales/biases 等元数据略增实测 18.44 GB严丝合缝。✅代价与收益相对 bf1664 段 × 2048 token 评测指标bf16oQ4eoQ3e本仓库体积 / 平均位宽79.6 GB / 1623.4 GB / 4.7018.5 GB / 3.71平均 KL ↓0基准0.2220.650困惑度 ↓14.3014.8616.92top-1 一致率 ↑100%78.3%64.6%生成速度短上下文—120 tok/s109 tok/s峰值内存16k 上下文—25.0 GB20.0 GB定位很明确它是 24~32 GB 内存 Mac 上装得下 Flint 的主力档位。比 oQ4e 更损KL 约 3 倍、并不更快但把内存门槛砍到了 20 GB 以内。六、如何加载这个模型模型由标准 MLX affine 量化输出无需任何自定义 kerneloMLX推荐pip install -U omlx后执行omlx serve自动识别为mlx-community--flint-oQ3e提供 OpenAI 兼容 API含工具调用与 reasoning 输出mlx-vlm需pip install -U mlx-vlm0.7.10然后mlx_vlm.generate --model mlx-community/flint-oQ3e ...。采样建议沿用 generation_config.jsontemperature 1.0 / top_p 0.95 / top_k 20难题建议输出预算 ≥ 32k tokens。七、总结一张图看懂 18.5 GB 的解剖报告结构层4 个 safetensors 分片 1 个 index1798 张量 config/imatrix/tokenizer 等元数据存储层486 个量化线性层 weight(3bit 打包) scales biases三件套affine 仿射还原group_size 64精度层3 bit 打底路由专家→ 6 bitlm_head、不敏感层注意力→ 8 bit共享专家、稠密层、敏感层注意力的阶梯全部由 imatrix 实测敏感度驱动效果层3.71 bpw、KL 0.650、18.5~20 GB 峰值内存、109 tok/s——小内存 Mac 运行 40B MoE 的务实之选。下次再看到.safetensorsindex.json 一堆.scales/.biases后缀你就知道它们各自扮演什么角色了。赞分享大模型模型量化本地部署人工智能代码模型【免费下载链接】flint-oQ3e项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/flint-oQ3e点击查看免费下载相关推荐Qwen-Image-Edit模型文件结构safetensors格式的存储与加载Qwen Image Edit模型文件结构safetensors格式的存储与加载 引言大模型存储的技术挑战 在AI模型规模不断增长的今天如何高效存储和加载基础模型计算机视觉flint-oQ5e 权重文件与模型结构完全揭秘safetensors 布局与量化参数开发者指南flint oQ5e 权重文件与模型结构完全揭秘safetensors 布局与量化参数开发者指南 flint oQ5e 是 Recursive 开源 40B人工智能大模型模型量化本地部署代码模型PEFT Checkpoint 格式完全指南文件结构、格式转换与模型存储PEFT Checkpoint 格式完全指南文件结构、格式转换与模型存储 本指南以 PEFT 官方开发者文档《PEFT checkpoint format》为人工智能大模型微调LoRA创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
大模型模型量化本地部署人工智能代码模型【免费下载链接】flint-oQ3e项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/flint-oQ3e点击查看免费下载本文带你逐层解剖flint-oQ3e—— 一款面向 Apple Silicon 优化的 MoE 语言模型——它的 18.5 GB safetensors 模型文件从分片布局、权重索引到 affine 量化存储格式与 3/6/8 位混合精度分配策略一次讲清每个字节都去了哪里。flint-oQ3e 是 Recursive Flint40B 总参数、每 token 激活约 2.5B在 Apple Silicon 上的量化版本采用 oMLX 的oQ3e方案数据驱动的混合精度 imatrix 校准裁剪平均位宽仅3.71 bits/weight把 79.6 GB 的 bf16 原权重压进了 18.5 GB。一、目录速览模型仓库里都有什么文件整个仓库非常干净12 个文件各司其职文件大小作用model-00001-of-00004.safetensors≈5.05 GB权重分片 1lm_head、embed、第 0 层起model-00002-of-00004.safetensors≈5.05 GB权重分片 2model-00003-of-00004.safetensors≈5.05 GB权重分片 3model-00004-of-00004.safetensors≈3.29 GB权重分片 4尾部层 最终 normmodel.safetensors.index.json179 KB权重索引1798 个张量 → 分片映射config.json92 KB模型结构 逐模块量化配置oq_imatrix_report.json34 KBimatrix 校准报告敏感度数据chat_template.jinja2.3 KB对话模板tokenizer.json / tokenizer_config.json—词表与分词配置vocab 150144generation_config.json202 B推荐采样参数temperature 1.0 / top-p 0.95 / top-k 20 4 个分片合计18 439 679 184 字节 ≈ 18.44 GB与索引中记录的总大小完全一致。二、总目录model.safetensors.index.json 如何组织 1798 个张量多分片 safetensors 模型靠一个 index 文件做总目录。打开 model.safetensors.index.json 可以看到两类信息metadata: { total_size: 18439679184 }, weight_map: { language_model.lm_head.weight: model-00001-of-00004.safetensors, ... }total_size全部权重数据的总字节数18.44 GBweight_map1798 个张量逐一映射到 4 个分片分片 1 承载 1417 个其余分片各 94~144 个。按张量后缀统计整个模型的家当可以分成 5 类张量后缀数量含义.weight730主权重其中 486 个是被量化的 int 打包数据.scales486量化缩放因子每组一个.biases486量化偏置项affine 模式特有.softmax_offset49可学习 softmax 偏移每层注意力一个.expert_bias47MoE 路由专家偏置每个 MoE 层一个注意 486 730 − 244486 个线性层被量化每层拆成 weight/scales/biases 三件套244 个张量保留全精度49 层 × 4 个 RMSNorm 47 个 MoE 路由器 1 个最终 norm。 所有张量名都带language_model.前缀——因为该模型通过 mlx-vlm 的视觉语言架构量化纯文本运行时 oMLX / mlx-vlm 会按原样加载无需改名。三、一个量化线性层内部weight scales biases 三件套以第 0 层为例索引文件 中layers.0.self_attn.q_proj对应三个张量q_proj.weight不是浮点数而是3-bit 打包的整型数据多个权重挤进一个 32-bit 整数q_proj.scales每个64 个权重一组group_size64组内一个缩放因子q_proj.biases每组的偏置项。这就是affine仿射量化存储格式还原公式原始权重 ≈ scale × (量化值) bias对每个 64 元素的组独立成立。相比只有 scale 的对称量化affine 多存一份 biases能表达每组的非对称分布是保真度的重要来源。486 个被量化线性层的构成模块数量位宽49 层注意力的 q/k/v/o 投影1966 或 8 bit逐层不同前 2 个稠密层的 gate/up/down_proj68 bit47 个 MoE 层的 shared_expert3 个投影1418 bit47 个 MoE 层的 switch_mlp256 个路由专家3 个投影1413 bitembed_tokens lm_head28 bit / 6 bit四、混合精度的脑图3 位打底按敏感度加码config.json 的quantization字段是这套文件最精彩的部分——默认值 345 条逐模块覆盖quantization: { group_size: 64, bits: 3, mode: affine, language_model.lm_head: { bits: 6, group_size: 64, mode: affine }, language_model.model.embed_tokens: { bits: 8, ... }, ... }分配逻辑一句话总结能省的省到极致不能省的一分不少模块位宽原因路由专家 switch_mlp3 bit占体积大头但对单 token 只激活 6/256 个压缩空间最大共享专家 shared_expert8 bit组 128每个 token 都经过质量敏感稠密层0/1 层MLP8 bit每层必走embed_tokens8 bit词表入口压缩伤根基lm_head6 bit输出层折中注意力投影6/8 bit 混合由敏感度实测决定25 层全 6 位、28 层全 8 位、4 层按 q/k/v 拆分敏感度从哪来imatrix 校准报告eenhanced的含义量化前用128 条代码语料样本过一遍 bf16 模型逐组按激活重要性选裁剪范围。oq_imatrix_report.json 完整记录了这一过程采样计划自适应从 128 条加到 256 条直到全部36096 个专家141 个 SwitchLinear 模块 × 256 专家都被覆盖专家覆盖率active_ratio: 1.0零激活专家为 0——没有漏网的专家逐层敏感度第 0 层高达 0.0496而第 47 层只有 1.5e-06——差了近5 万倍。这正是为什么 47/48 层注意力的投影可以大胆压到 6 bit而第 0~11 层必须保留 8 bit。⚠️ 作者还专门验证过把 group_size 全改成 128 能省 1.2 GB但平均 KL 从 0.222 涨到 0.263oQ4e 场景且没有提速——所以全部张量统一 64共享专家为 128。五、为什么恰好是 18.5 GB粗算一下账40B 参数 × 16 bit 79.6 GBbf16。oQ3e 的平均位宽 3.71 bit理论体积 ≈ 79.6 × 3.71/16 ≈18.4 GB加上 scales/biases 等元数据略增实测 18.44 GB严丝合缝。✅代价与收益相对 bf1664 段 × 2048 token 评测指标bf16oQ4eoQ3e本仓库体积 / 平均位宽79.6 GB / 1623.4 GB / 4.7018.5 GB / 3.71平均 KL ↓0基准0.2220.650困惑度 ↓14.3014.8616.92top-1 一致率 ↑100%78.3%64.6%生成速度短上下文—120 tok/s109 tok/s峰值内存16k 上下文—25.0 GB20.0 GB定位很明确它是 24~32 GB 内存 Mac 上装得下 Flint 的主力档位。比 oQ4e 更损KL 约 3 倍、并不更快但把内存门槛砍到了 20 GB 以内。六、如何加载这个模型模型由标准 MLX affine 量化输出无需任何自定义 kerneloMLX推荐pip install -U omlx后执行omlx serve自动识别为mlx-community--flint-oQ3e提供 OpenAI 兼容 API含工具调用与 reasoning 输出mlx-vlm需pip install -U mlx-vlm0.7.10然后mlx_vlm.generate --model mlx-community/flint-oQ3e ...。采样建议沿用 generation_config.jsontemperature 1.0 / top_p 0.95 / top_k 20难题建议输出预算 ≥ 32k tokens。七、总结一张图看懂 18.5 GB 的解剖报告结构层4 个 safetensors 分片 1 个 index1798 张量 config/imatrix/tokenizer 等元数据存储层486 个量化线性层 weight(3bit 打包) scales biases三件套affine 仿射还原group_size 64精度层3 bit 打底路由专家→ 6 bitlm_head、不敏感层注意力→ 8 bit共享专家、稠密层、敏感层注意力的阶梯全部由 imatrix 实测敏感度驱动效果层3.71 bpw、KL 0.650、18.5~20 GB 峰值内存、109 tok/s——小内存 Mac 运行 40B MoE 的务实之选。下次再看到.safetensorsindex.json 一堆.scales/.biases后缀你就知道它们各自扮演什么角色了。赞分享大模型模型量化本地部署人工智能代码模型【免费下载链接】flint-oQ3e项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/flint-oQ3e点击查看免费下载相关推荐Qwen-Image-Edit模型文件结构safetensors格式的存储与加载Qwen Image Edit模型文件结构safetensors格式的存储与加载 引言大模型存储的技术挑战 在AI模型规模不断增长的今天如何高效存储和加载基础模型计算机视觉flint-oQ5e 权重文件与模型结构完全揭秘safetensors 布局与量化参数开发者指南flint oQ5e 权重文件与模型结构完全揭秘safetensors 布局与量化参数开发者指南 flint oQ5e 是 Recursive 开源 40B人工智能大模型模型量化本地部署代码模型PEFT Checkpoint 格式完全指南文件结构、格式转换与模型存储PEFT Checkpoint 格式完全指南文件结构、格式转换与模型存储 本指南以 PEFT 官方开发者文档《PEFT checkpoint format》为人工智能大模型微调LoRA创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
