echo / README.md
void0x14
docs: PIVOT — budama terk edildi, Q4_K_M quantize onaylandi (kayipsiz) + ROADMAP gelecek opsiyonlari
eae60b4 unverified
|
Raw
History Blame
3.4 kB
---
license: agpl-3.0
---
# echo — Qwen3.5-0.8B Multimodal (Q4_K_M)
Hafif, hızlı, **kayıpsız** multimodal model. AMD RX460 2GB VRAM / Ryzen 5 3600 CPU için optimize.
Gated DeltaNet hybrid attention sayesinde KV cache klasik modelin ~4'te 1'i; uzun kontekst düşük donanımda pratik.
## Yaklaşım: Quantize ET — Budama YAPMA
Orijinal `Qwen/Qwen3.5-0.8B-Base` (native early-fusion multimodal) **olduğu gibi** Q4_K_M'e quantize edildi.
**Budama YOK, yeniden eğitim YOK** — kod + vision + reasoning yeteneği kayıpsız korunur.
### Neden budama değil? (derin literatür + ölçüm)
- 24→4 katman budama = %83 derinlik kaybı. Literatür (Gromov ICLR'25, ShortGPT, Minitron): generative
modellerde güvenli bölge %15-25 derinlik kaybı; %30 üstünde kod/reasoning ÇÖKER.
- F2LLM-v2 "ilk N blok" tarifi **embedding** modellerine özgüdür; generative/kod üreten modele taşınmaz.
- Ölçüldü: %0 kod verisiyle distill → catastrophic forgetting; budanmış model kod yazamadı,
orijinal Q4_K_M kod+vision+reasoning hepsini koruyor.
- Qwen3.5-0.8B Q4_K_M (497 MiB) zaten RX460 2GB'a SIĞIYOR ve hızlı → budamak gereksiz.
## Dosyalar
| Dosya | Açıklama | Boyut |
|-------|----------|-------|
| `MVP/artifacts/gguf-vision/qwen35-text-Q4_K_M.gguf` | Text backbone (24 katman, orijinal) | 497 MiB |
| `MVP/artifacts/gguf-vision/mmproj-F32.gguf` | Vision projector (mmproj) | 402 MiB |
## Benchmark (RX460, Vulkan, n_batch=512, fa=1)
| Model | size | backend | ngl | test | t/s |
|-------|------|---------|-----|------|-----|
| qwen35 0.8B Q8_0 | 763.78 MiB | Vulkan | 99 | tg128 | 78.34 |
| **qwen35 0.8B Q4_K_M** | **497.39 MiB** | Vulkan | 99 | **tg128** | **85.10** |
| qwen35 0.8B Q4_K_M | 497.39 MiB | Vulkan | 99 | pp4096 | 684.35 |
| qwen35 0.8B Q4_K_M | 497.39 MiB | Vulkan | 0 (CPU) | tg128 | 47.83 |
- **Q4_K_M, Q8_0'dan HIZLI** (85 vs 78 t/s) ve daha küçük.
- **Konfigürasyon: default context 4k** (hız/gecikme tatlı noktası); gerekirse **max 16k**'ya genişletilebilir.
- Model + KV cache GPU'da (ngl=99).
- Gated DeltaNet: tg128, pp2048→pp16384 arası sabit ~85 t/s (KV cache şişmez).
## Doğrulama (ölçüldü)
- `llama-mtmd-cli` ile CPU (ngl=0) VE GPU Vulkan (ngl=99) multimodal test:
çizilen test sahnesini kusursuz tanımladı — *"A minimalist landscape features a brown house with a
red roof, a green field, and a yellow sun in a blue sky."* (kahverengi ev + kırmızı çatı + yeşil
alan + sarı güneş + mavi gökyüzü). Chain-of-thought reasoning çalışıyor.
- block_count=24 doğrulandı (orijinal, budanmamış).
## Kullanım
```bash
llama-mtmd-cli \
-m MVP/artifacts/gguf-vision/qwen35-text-Q4_K_M.gguf \
--mmproj MVP/artifacts/gguf-vision/mmproj-F32.gguf \
--image FOTO.jpg -p "Describe this image." \
-c 4096 -ngl 99 --image-min-tokens 1024
```
## ⚠️⚠️ ROADMAP — GELECEK OPSİYONLARI (UNUTMA!) ⚠️⚠️
**İLERİDE HIZLAR YETMEZSE GEREKEBİLİR — ŞU ÜÇ YÖNDEN BİRİNE GİDİLEBİLİR:**
**1) BİTİ DÜŞÜRMEK (Q4_K_M → Q3/IQ3 — DİKKAT: kodlama quant'a EN hassas görev, 3-bit uçurum kenarı, 2-bit çöküş), VEYA**
**2) MODEL PARAMETRESİNİ DÜŞÜRMEK (dikkatli/az budama + MUTLAKA kod verili distill), VEYA**
**3) MODEL PARAMETRESİ + BİTİ BİRLİKTE DÜŞÜRMEK.**
**GEREKİRSE BU YOLLARA BAŞVURULACAK. ŞU AN Q4_K_M + ORİJİNAL 0.8B YETERLİ VE KAYIPSIZ.**