Instructions to use futranbg/llama2_langchain_7b_chat_GGUF with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use futranbg/llama2_langchain_7b_chat_GGUF with llama-cpp-python:

# !pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama.from_pretrained(
	repo_id="futranbg/llama2_langchain_7b_chat_GGUF",
	filename="llama-2-7b-langchain-chat-q4_0.gguf",
)

output = llm(
	"Once upon a time,",
	max_tokens=512,
	echo=True
)
print(output)

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

How to use futranbg/llama2_langchain_7b_chat_GGUF with llama.cpp:

Install from brew

brew install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama-server -hf futranbg/llama2_langchain_7b_chat_GGUF:Q4_0
# Run inference directly in the terminal:
llama-cli -hf futranbg/llama2_langchain_7b_chat_GGUF:Q4_0

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama-server -hf futranbg/llama2_langchain_7b_chat_GGUF:Q4_0
# Run inference directly in the terminal:
llama-cli -hf futranbg/llama2_langchain_7b_chat_GGUF:Q4_0

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf futranbg/llama2_langchain_7b_chat_GGUF:Q4_0
# Run inference directly in the terminal:
./llama-cli -hf futranbg/llama2_langchain_7b_chat_GGUF:Q4_0

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf futranbg/llama2_langchain_7b_chat_GGUF:Q4_0
# Run inference directly in the terminal:
./build/bin/llama-cli -hf futranbg/llama2_langchain_7b_chat_GGUF:Q4_0

Use Docker

docker model run hf.co/futranbg/llama2_langchain_7b_chat_GGUF:Q4_0

LM Studio
Jan

vLLM

How to use futranbg/llama2_langchain_7b_chat_GGUF with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "futranbg/llama2_langchain_7b_chat_GGUF"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "futranbg/llama2_langchain_7b_chat_GGUF",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/futranbg/llama2_langchain_7b_chat_GGUF:Q4_0

Ollama
How to use futranbg/llama2_langchain_7b_chat_GGUF with Ollama:
```
ollama run hf.co/futranbg/llama2_langchain_7b_chat_GGUF:Q4_0
```

Unsloth Studio

How to use futranbg/llama2_langchain_7b_chat_GGUF with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for futranbg/llama2_langchain_7b_chat_GGUF to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for futranbg/llama2_langchain_7b_chat_GGUF to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for futranbg/llama2_langchain_7b_chat_GGUF to start chatting

Docker Model Runner
How to use futranbg/llama2_langchain_7b_chat_GGUF with Docker Model Runner:
```
docker model run hf.co/futranbg/llama2_langchain_7b_chat_GGUF:Q4_0
```

Lemonade

How to use futranbg/llama2_langchain_7b_chat_GGUF with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull futranbg/llama2_langchain_7b_chat_GGUF:Q4_0

Run and chat with the model

lemonade run user.llama2_langchain_7b_chat_GGUF-Q4_0

List all available models

lemonade list

lama-2-7b-langchain-chat - GGUF

Criador do Modelo: Photolens
Modelo Original: llama-2-7b-langchain-chat

Arquivos Incluídos

Nome	Método Quant	Bits	Tamanho	Desc
llama-2-7b-langchain-chat-q4_0.gguf	q4_0	4	3.56 GB	Quantização em 4-bit.
llama-2-7b-langchain-chat-q4_1.gguf	q4_1	4	3.95 GB	Quantização em 4-bit. Acurácia maior que q4_0 mas não tão boa quanto q5_0. Inferência mais rápida que os modelos q5.
llama-2-7b-langchain-chat-q5_0.gguf	q5_0	5	4.33 GB	Quantização em 5-bit. Melhor acurácia, maior uso de recursos, inferência mais lenta.
llama-2-7b-langchain-chat-q5_1.gguf	q5_1	5	4.72 GB	Quantização em 5-bit. Ainda Melhor acurácia, maior uso de recursos, inferência mais lenta.
llama-2-7b-langchain-chat-q8_0.gguf	q8_0	8	6.67 GB	Quantização em 8-bit. Quase indistinguível do float16. Usa muitos recursos e é mais lento.

Observação: os valores de RAM acima não pressupõem descarregamento de GPU. Se as camadas forem descarregadas para a GPU, isso reduzirá o uso de RAM e usará VRAM.

Como executar com `llama.cpp`

Usei o seguinte comando. Ajuste para suas necessidades:

./main -m ./models/llama-2-7b-langchain-chat/llama-2-7b-langchain-chat-q5_1.gguf --color --temp 0.5 -n 256 -p "<s>[INST] Há muito tempo atrás, numa galáxia distante [/INST] Assistant Message </s>"

Para compreender os parâmetros, veja a documentação do llama.cpp

Sobre o formato GGUF

GGUF é um novo formato introduzido pela equipe llama.cpp em 21 de agosto de 2023. É um substituto para o GGML, que não é mais suportado pelo llama.cpp.

O principal benefício do GGUF é que ele é um formato extensível e à prova de futuro que armazena mais informações sobre o modelo como metadados. Ele também inclui código de tokenização significativamente melhorado, incluindo pela primeira vez suporte total para tokens especiais. Isso deve melhorar o desempenho, especialmente com modelos que usam novos tokens especiais e implementam modelos de prompt personalizados.

Aqui está uma lista de clientes e bibliotecas que são conhecidos por suportar GGUF:

llama.cpp.
text-generation-webui, a interface web mais amplamente utilizada. Suporta GGUF com aceleração GPU via backend ctransformers - backend llama-cpp-python deve funcionar em breve também.
KoboldCpp, agora suporta GGUF a partir da versão 1.41! Uma poderosa interface web GGML, com aceleração total da GPU. Especialmente bom para contar histórias.
LM Studio, versão 0.2.2 e posteriores suportam GGUF. Uma GUI local totalmente equipada com aceleração GPU em ambos Windows (NVidia e AMD) e macOS.
LoLLMS Web UI, agora deve funcionar, escolha o backend c_transformers. Uma ótima interface web com muitos recursos interessantes. Suporta aceleração GPU CUDA.
ctransformers, agora suporta GGUF a partir da versão 0.2.24! Uma biblioteca Python com aceleração GPU, suporte LangChain e servidor AI compatível com OpenAI.
llama-cpp-python, suporta GGUF a partir da versão 0.1.79. Uma biblioteca Python com aceleração GPU, suporte LangChain e servidor API compatível com OpenAI.
candle, adicionou suporte GGUF em 22 de agosto. Candle é um framework ML Rust com foco em desempenho, incluindo suporte GPU e facilidade de uso.
LocalAI, adicionou suporte GGUF em 23 de agosto. LocalAI provê uma API Rest para modelos LLM e de geração de imagens.

Template

<s>[INST] Prompter Message [/INST] Assistant Message </s>

Downloads last month: 48

GGUF

Model size

7B params

Architecture

llama

Hardware compatibility

4-bit

5-bit

8-bit

lama-2-7b-langchain-chat - GGUF

Arquivos Incluídos

Como executar com llama.cpp

Sobre o formato GGUF

Template

Como executar com `llama.cpp`