Zubnet AIApprendreWiki › GGUF
Infrastructure

GGUF

GGML Unified Format
Le format de fichier standard pour faire tourner des modèles de langage quantizés localement via llama.cpp, Ollama et d'autres outils d'inférence locale. Les fichiers GGUF contiennent les poids du modèle dans un format quantizé (réduisant la précision de 16 bits à 4 bits ou 8 bits), avec des métadonnées comme le vocabulaire, les détails d'architecture et les paramètres de quantization — tout ce qui est nécessaire pour charger et faire tourner le modèle dans un seul fichier.

Pourquoi c'est important

GGUF est le format qui a rendu l'IA locale pratique. Avant lui, faire tourner des modèles localement demandait des setups complexes avec PyTorch, CUDA et de la mémoire GPU spécifique. GGUF packagé tout dans un fichier que llama.cpp ou Ollama peut charger directement — sur CPU, Apple Silicon, GPU gaming, n'importe où. Si tu vois un modèle sur Hugging Face avec des noms de fichiers comme « Q4_K_M.gguf », c'est un modèle prêt pour usage local.

Deep Dive

GGUF succeeded GGML (the original format), adding a more extensible metadata system and support for new quantization types. A typical model release includes multiple GGUF variants at different quantization levels: Q2_K (smallest, lowest quality), Q4_K_M (popular sweet spot), Q5_K_M (better quality, larger), Q6_K, Q8_0 (near-original quality, largest). The naming convention tells you the bit-width and quantization method.

Quantization Variants

The "K" in Q4_K_M refers to k-quant methods that use different bit-widths for different layers based on their sensitivity — attention layers might get higher precision than feed-forward layers. The "M" means "medium" (between "S" for small/aggressive and "L" for large/conservative). Q4_K_M typically preserves 95%+ of the original model quality while reducing file size by 4x compared to FP16. For most users, Q4_K_M or Q5_K_M is the right choice.

The Ecosystem

GGUF has become the lingua franca of local AI. Community members quantize new models to GGUF within hours of release and upload them to Hugging Face. Outils like llama.cpp, Ollama, LM Studio, GPT4All, and kobold.cpp all support GGUF natively. This ecosystem is why you can download a 70B model at 4-bit quantization (about 40 GB) and run it on a MacBook Pro with 64 GB RAM in under a minute from download to first response.

Concepts liés

← Tous les termes
← Generative AI GNN →