Grok 2

在本地运行 xAI 的 Grok 2 模型！

您现在可以运行 Grok 2 （又名 Grok 2.5），由 xAI 提供的 2700 亿参数模型。全精度需要 539GB，而 Unsloth 的动态 3 位版本将大小缩减到仅 118GB （减少 75%）。GGUF： Grok-2-GGUF

最新的 3 位 Q3_K_XL 模型可在单台 128GB Mac 或 24GB 显存 + 128GB 内存上运行，能达到 每秒 5+ 令牌 的推理速度。感谢 llama.cpp 团队和社区 对 Grok 2 的支持 并使这成为可能。我们也很高兴在此过程中能略尽绵力！

所有上传均使用 Unsloth Dynamic 2.0 在 SOTA 的 5-shot MMLU 和 KL 散度性能上表现优异，这意味着您可以以极小的精度损失运行量化的 Grok 语言模型。

在 llama.cpp 中运行 教程

⚙️ 推荐设置

该 3 位动态量化占用 118GB（126GiB）磁盘空间——这在 128GB 内存的统一内存 Mac 或 1x24GB 显卡加 128GB 内存的配置中运行良好。建议至少有 120GB 内存以运行此 3 位量化模型。

您必须使用 --jinja 用于 Grok 2。如果不使用，您可能会得到不正确的结果 --jinja

8 位量化大约为 ~300GB，可适配单卡 80GB（将 MoE 层卸载到内存）的 GPU。如果同时有额外 200GB 内存，使用该配置预计可达到约每秒 5 令牌。要了解如何提高生成速度并适应更长上下文， 在此阅读.

尽管不是必须，但为了最佳性能，请确保您的显存 + 内存之和等于您下载的量化模型的大小。如果不够，llama.cpp 的硬盘/SSD 卸载功能也可工作，但推理会更慢。

采样参数

• Grok 2 的最大上下文长度为 128K，因此请使用 131,072 上下文或更少。

• 使用 --jinja 针对 llama.cpp 变体

没有官方的模型采样参数，因此对于大多数模型可以使用标准默认值：

• 设置 temperature = 1.0

• Min_P = 0.01 （可选，但 0.01 效果良好，llama.cpp 的默认值是 0.1）

运行 Grok 2 教程：

目前您只能在 llama.cpp 中运行 Grok 2。

✨ 在 llama.cpp 中运行

1

安装指定的 llama.cpp 用于 Grok 2 的 PR 在 此处的 GitHub。您也可以按照下面的构建说明进行。若 -DGGML_CUDA=ON 更改为 -DGGML_CUDA=OFF 如果您没有 GPU 或仅想要在 CPU 上进行推理。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后照常继续 - Metal 支持默认启用。

apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cd llama.cpp && git fetch origin pull/15539/head:MASTER && git checkout MASTER && cd ..
cmake llama.cpp -B llama.cpp/build \
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-quantize llama-cli llama-gguf-split llama-mtmd-cli llama-server
cp llama.cpp/build/bin/llama-* llama.cpp

2

如果您想直接使用 llama.cpp 直接加载模型，您可以执行下面操作：（:Q3_K_XL）是量化类型。您也可以通过 Hugging Face 下载（第 3 点）。这类似于 ollama run 类似。使用 export LLAMA_CACHE="folder" 来强制 llama.cpp 将模型保存到指定位置。请记住该模型最大上下文长度仅为 128K。

请试用 -ot ".ffn_.*_exps.=CPU" 将所有 MoE 层卸载到 CPU！这实际上允许您将所有非 MoE 层放在一块 GPU 上，从而提高生成速度。如果您有更多 GPU 容量，可以自定义正则表达式以卸载更多层。

如果你有稍多的 GPU 内存，尝试 -ot ".ffn_(up|down)_exps.=CPU" 这会卸载上投影和下投影的 MoE 层。

尝试 -ot ".ffn_(up)_exps.=CPU" 如果你有更多的 GPU 内存。这只会卸载上投影的 MoE 层。

最后通过卸载所有层来做： -ot ".ffn_.*_exps.=CPU" 这使用最少的 VRAM。

你也可以自定义正则表达式，例如 -ot "\.(6|7|8|9|[0-9][0-9]|[0-9][0-9][0-9])\.ffn_(gate|up|down)_exps.=CPU" 表示从第 6 层起卸载 gate、up 和 down 的 MoE 层。

export LLAMA_CACHE="unsloth/grok-2-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/grok-2-GGUF:Q3_K_XL \
    --jinja \
    --n-gpu-layers 99 \
    --temp 1.0 \
    --top-p 0.95 \
    --min-p 0.01 \
    --ctx-size 16384 \
    --seed 3407 \
    -ot ".ffn_.*_exps.=CPU"

3

通过以下方式下载模型（在安装 pip install huggingface_hub hf_transfer 之后）。您可以选择 UD-Q3_K_XL （动态 3 位量化）或其他量化版本，例如 Q4_K_M 。我们 建议使用我们的 2.7bit 动态量化 UD-Q2_K_XL 或以上以在大小与精度之间取得平衡.

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "0" # 有时会有限速，因此设为 0 以禁用
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id = "unsloth/grok-2-GGUF",
    local_dir = "unsloth/grok-2-GGUF",
    allow_patterns = ["*UD-Q3_K_XL*"], # 动态 3 位
)

4

您可以编辑 --threads 32 用于设置 CPU 线程数， --ctx-size 16384 用于上下文长度， --n-gpu-layers 2 用于指定将多少层卸载到 GPU。若 GPU 出现内存不足，请尝试调整它。若仅使用 CPU 推理，请移除此项。

./llama.cpp/llama-cli \
    --model unsloth/grok-2-GGUF/UD-Q3_K_XL/grok-2-UD-Q3_K_XL-00001-of-00003.gguf \
    --jinja \
    --threads -1 \
    --n-gpu-layers 99 \
    --temp 1.0 \
    --top_p 0.95 \
    --min_p 0.01 \
    --ctx-size 16384 \
    --seed 3407 \
    -ot ".ffn_.*_exps.=CPU"

模型上传

我们所有的上传 ——包括那些不是基于 imatrix 或动态的，都使用我们的校准数据集，该数据集专门针对对话、编码和语言任务进行了优化。

MoE 位数	类型 + 链接	磁盘大小	详情
1.66 位	TQ1_0	81.8 GB	1.92/1.56 位
1.78 位	IQ1_S	88.9 GB	2.06/1.56 位
1.93 位	IQ1_M	94.5 GB	2.5/2.06/1.56
2.42 位	IQ2_XXS	99.3 GB	2.5/2.06 位
2.71 位	Q2_K_XL	112 GB	3.5/2.5 位
3.12 位	IQ3_XXS	117 GB	3.5/2.06 位
3.5 位	Q3_K_XL	126 GB	4.5/3.5 位
4.5 位	Q4_K_XL	155 GB	5.5/4.5 位
5.5 位	Q5_K_XL	191 GB	6.5/5.5 位

🏂 "content": [{"type": "text", "text": "用 Python 创建一个 Fibonacci 函数并求 fib(20)。"}],

如果你有更多显存，可以尝试卸载更多 MoE 层，或将整个层本身卸载（offload）。

通常， -ot ".ffn_.*_exps.=CPU" 会将所有 MoE 层卸载到 CPU！这实际上允许你将所有非 MoE 层放在一块 GPU 上，从而提高生成速度。如果你有更多 GPU 容量，可以自定义正则表达式以适配更多层。

如果你有稍多的 GPU 内存，尝试 -ot ".ffn_(up|down)_exps.=CPU" 这会卸载上投影和下投影的 MoE 层。

尝试 -ot ".ffn_(up)_exps.=CPU" 如果你有更多的 GPU 内存。这只会卸载上投影的 MoE 层。

你也可以自定义正则表达式，例如 -ot "\.(6|7|8|9|[0-9][0-9]|[0-9][0-9][0-9])\.ffn_(gate|up|down)_exps.=CPU" 表示从第 6 层起卸载 gate、up 和 down 的 MoE 层。

最新的 llama.cpp 版本 还引入了高吞吐量模式。使用 llama-parallel。在此处阅读更多内容 这里。你也可以 例如将 KV 缓存量化为 4 bit 将 KV 缓存量化为 4 位

例如以减少 VRAM / RAM 数据移动，这也可能使生成过程更快。

要适配更长的上下文，你可以使用 KV 缓存量化 将 K 和 V 缓存量化到更低位数。这也可以由于减少 RAM / VRAM 数据移动而提高生成速度。K 量化的可用选项（默认是 f16）包括下列项。

--cache-type-k f32, f16, bf16, q8_0, q4_0, q4_1, iq4_nl, q5_0, q5_1

你应当使用那些 _1 变体以获得稍高的准确性，尽管速度会略慢。例如 q4_1, q5_1

你也可以对 V 缓存进行量化，但你需要 在编译 llama.cpp 时启用 Flash Attention 支持 通过 -DGGML_CUDA_FA_ALL_QUANTS=ON，并使用 --flash-attn --flash-attn 来启用它。然后您可以与 :

--cache-type-k 一起使用 --cache-type-v f32, f16, bf16, q8_0, q4_0, q4_1, iq4_nl, q5_0, q5_1