În mod implicit, cache-ul de atenție KV este stocat în precizie f16. La o fereastră de 32.000 de tokeni, cache-ul KV poate consuma peste 10 GB VRAM. Flag-ul --cache-type-k q8_0 cuantizează vectorii Key pe 8 biți, reducând memoria necesară la jumătate.
# Cuantizare cache Key pe 8 biți fără pierderi de atenție
./build/bin/llama-cli -m model.gguf -c 16384 --cache-type-k q8_0Permite alocarea unor contexte de două ori mai lungi pe același GPU.
Întrebări & Exemple practice:
Cuantizarea Cache-ului de Chei (–cache-type-k)Ai o întrebare despre Cuantizarea Cache-ului de Chei (–cache-type-k) sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!
Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.