[English](./README.md) | 中文
### A more accessible, comprehensive, and efficient toolkit for large model compression.
✒️ [TechnicalReport](https://arxiv.org/abs/2602.21233) | 📖 [Documentation](https://angelslim.readthedocs.io/) | 🤗 [Hugging Face](https://huggingface.co/AngelSlim) | 🤖 [ModelScope](https://modelscope.cn/organization/AngelSlim)
💬 [WeChat](https://github.com/Tencent/AngelSlim/blob/main/docs/source/assets/angel_slim_wechat.png?raw=true) | 🫨 [Discord](https://discord.com/invite/dHVNeuNdFt)
# Hy4-flash GGUF
Hy4-flash 的五个 GGUF 版本:[tencent/Hy4-flash](https://huggingface.co/tencent/Hy4-flash)
| 文件 | 模型大小 | bpw(整体) | bpw(不含 Engram 表) |
| -------------------------------- | ---------: | ------: | ---------------: |
| `Hy4-flash-Q4_K_M.gguf` | 156.79 GiB | 6.05 | 5.27 |
| `Hy4-flash-SPARK-4Bit.gguf` | 151.3 GiB | 5.84 | 4.78 |
| `Hy4-flash-SPARK-4Bit-Fast.gguf` | 148.6 GiB | 5.74 | 4.63 |
| `Hy4-flash-Q3_K.gguf` | 144.70 GiB | 5.58 | 4.62 |
| `Hy4-flash-IQ2-AH.gguf` | 125.73 GiB | 4.85 | 3.60 |

---
## 1. 这是什么
`Hy4-flash-Q4_K_M.gguf` —— 标准 4 bit 版本。路由专家沿用 llama.cpp 的 Q4_K_M 规则:`gate`/`up` 为
Q4_K,`down` 按 llama.cpp 的固定规则在 19 层用 Q6_K、其余 22 层用 Q4_K。多数非专家权重为 Q8_0。**没有显存压力就用这个。**
`Hy4-flash-SPARK-4Bit.gguf` —— SPARK-4Bit 版本(NVIDIA 的 4 bit 浮点格式)。**适用于 Spark 设备。**
`Hy4-flash-SPARK-4Bit-Fast.gguf` —— SPARK-4Bit 的变体,比 SPARK-4Bit 小 2.7 GiB。**同样适用于 Spark 设备。**
`Hy4-flash-Q3_K.gguf` —— 专家层 Q3_K/Q4_K 混合。路由专家的 `gate`/`up` 在按量化敏感性选出的
19 层保留 Q4_K,其余 22 层用 Q3_K;`down` 为 Q4_K。路由专家以外的张量与 Q4_K_M 相同。
`Hy4-flash-IQ2-AH.gguf` —— 五个版本中体积最小。路由专家的 `gate`/`up` 用 2.0625 bpw(IQ2_XXS),`down` 用 Q4_K;多数非专家权重保留 BF16,而不是 Q8_0。
## 2. SPEED
测试于真实workbuddy场景和数据。
**Mac M5 Max 128GB**
| 格式 | Prefill tok/s (4K / 16K / 32K) | Decode tok/s (4K / 16K / 32K) |
| ------ | ----------------------------: | ----------------------------: |
| Q4_K_M | 629.8 / 448.1 / 418.6 | 48.13 / 45.18 / 44.15 |
| Q3_K | 743.2 / 563.0 / 520.6 | 50.34 / 49.47 / 47.37 |
对于 code 生成场景,Q3_K 可达 70 tok/s。
**RTX Spark 128GB**
| format | Prefill tok/s (4K / 16K / 32K) | Decode tok/s (4K / 16K / 32K) |
| --------------- | ----------------------------: | ----------------------------: |
| SPARK-4Bit-Fast | 799 / 717 / 707 | 31.95 / 33.14 / 33.39 |
| SPARK-4Bit | 765 / 686 / 666 | 25.80 / 28.16 / 30.3 |
对于 code 生成场景,SPARK-4Bit-Fast 可达 40 tok/s。
## 3. 如何使用
**通用运行**
相关支持在 PR [#32517](https://github.com/ggml-org/llama.cpp/pull/32517) 中,还没有合并,需要拉取 PR 分支:
```sh
git clone https://github.com/ggml-org/llama.cpp
cd llama.cpp
git fetch origin pull/32517/head:hy4-flash
git checkout hy4-flash
```
编译
```sh
cmake -B build # NVIDIA 显卡加 -DGGML_CUDA=ON;macOS 默认启用 Metal
cmake --build build --config Release -j
```
终端对话:
```sh
./build/bin/llama-cli -m Hy4-flash-Q4_K_M-00001-of-00002.gguf -c 8192 -ngl 99 --jinja
```
OpenAI 兼容服务(http://localhost:8080):
```sh
./build/bin/llama-server -m Hy4-flash-Q4_K_M-00001-of-00002.gguf -c 8192 -ngl 99 --jinja --port 8080
```
图片输入(需要 mmproj 文件):
```sh
./build/bin/llama-mtmd-cli -m Hy4-flash-Q4_K_M-00001-of-00002.gguf --mmproj mmproj-Hy4-flash-bf16.gguf \
--image photo.png -p "描述这张图片。" -c 8192 -ngl 99 --jinja
```
**Mac M5 Max 128GB 优化版本**
见 [README_MAC-Metal.md](https://huggingface.co/AngelSlim/Hy4-flash-GGUF/blob/main/README_MAC-Metal.md)
**RTX Spark 128GB 优化版本**
见[README_SPARK-4Bit.md](https://huggingface.co/AngelSlim/Hy4-flash-GGUF/blob/main/README_SPARK-4Bit.md)