Ollama: モデル量子化と最適化

量子化はモデルのダイエット——精度を少し犠牲にして、容量を半分に、品質はほぼ変わらない。

💡 ヒント: 量子化レベル選択ガイド——Q4_K_Mが最もコスパが良い(70%容量削減、5%未満の品質低下)、主流の8GB VRAMシナリオに適する;Q8_0はほぼロスレス(99%以上の品質保持)、VRAMが豊富(12GB以上)で精度に敏感なシナリオ(コード生成、数学的推論)に適する。

📋 前提条件: まず以下を習得していること

1. 学べること


2. SaaS起業家のリアルな事例

ℹ️ 情報: OllamaはデフォルトでQ4_K_M量子化を使用——これは「最もコスパが良い」選択であり、「最高品質」の選択ではない。VRAMが十分(16GB以上)ならQ8_0でほぼロスレス品質を試すことが可能;VRAMが極めて限られている(4GB)場合、Q3_K_MがQ2_Kより良い下限。

(1) ペインポイント:8GB VRAMで8Bモデルが動かない

Aliceのサーバーは8GB VRAMしかなく、8B FP16モデルは16GBを必要とするため実行できない。しかしQ4_K_M量子化後は5GBで済み、十分に動作する。問題は:量子化でどれほど品質が犠牲になるか?

(2) ソリューション:Q4_K_Mが最もコスパが良い

テストの結果、Q4_K_Mはカスタマーサービスシナリオで3%未満の品質低下で、容量を70%削減:

BASH
# Compare model sizes
ollama show llama3.1:8b        # Q4_K_M: ~5GB
ollama show llama3.1:8b-q8_0   # Q8_0:   ~8GB

3. 量子化原理詳細

⚠️ : 量子化は必然的に精度を犠牲にする——Q2_K量子化は最小容量だが品質低下が顕著(80〜85%の保持)、特にコード生成や数学的推論のような精度タスクに影響する。VRAMが極めて限られている(4GB未満)場合のみ推奨;それ以外はQ4_K_Mを優先。

⚠️ 警告: Q2_K量子化は最小容量(8Bモデルでわずか約3GB)だが、品質低下が顕著で、特にコード生成や数学的推論のような精度タスクに影響する。VRAMが極めて限られている(4GB未満)場合のみ推奨;それ以外はQ4_K_Mを優先。

(1) FP16からQ2_Kへ:精度の低下

100%
flowchart LR
    A[FP16<br/>16ビット<br/>16 GB] --> B[Q8_0<br/>8ビット<br/>8 GB]
    B --> C[Q5_K_M<br/>5ビット<br/>5.7 GB]
    C --> D[Q4_K_M<br/>4ビット<br/>5 GB]
    D --> E[Q3_K_M<br/>3ビット<br/>3.8 GB]
    E --> F[Q2_K<br/>2ビット<br/>3 GB]

(2) 量子化レベル比較

量子化レベル ビット幅 圧縮率 8Bモデル容量 品質保持 適するVRAM
FP16 16ビット 1倍 約16 GB 100% 24 GB以上
Q8_0 8ビット 2倍 約8 GB 99%以上 12 GB以上
Q5_K_M 5ビット 3.2倍 約5.7 GB 98% 8 GB以上
Q4_K_M 4ビット 3.5倍 約5 GB 95〜97% 8 GB
Q3_K_M 3ビット 4.5倍 約3.8 GB 90〜93% 4 GB以上
Q2_K 2ビット 6倍 約3 GB 80〜85% 4 GB

(3) K-quant命名規則

サフィックス 意味 説明
_K K-quant 混合精度量子化、重要層は高精度を保持
_S Small 最小容量、最低品質
_M Medium 容量と品質のバランス(推奨)
_L Large 高品質、大容量
💡 ヒント: _Mサフィックスの選択が最もコスパが良い——Q4_K_MはQ4_K_Sより3%高品質で、容量は5%増加のみ。

(4) ▶ サンプル:Ollamaデフォルト量子化選択

BASH
# Default pull uses optimal quantization (usually Q4_K_M)
ollama pull llama3.1:8b

# Show quantization details
ollama show llama3.1:8b
# Look for: quantization: Q4_K_M

# Compare sizes across quantizations
ollama list | grep llama
# llama3.1:8b          4.9 GB   (Q4_K_M)

出力:

TEXT
NAME                    ID              SIZE    
llama3.2:latest        a80...          2.0 GB  
mistral:latest         61...           4.1 GB

4. Ollama組み込み量子化

(1) プル時の量子化レベル指定

方法 コマンド 説明
自動選択 ollama pull model_name Ollamaが最適な量子化を選択
タグ指定 ollama pull model_name:q4_K_M 量子化レベルを指定

(2) 利用可能な量子化タグ

タグ 量子化 ユースケース
q4_K_M 4ビット混合精度 汎用推奨
q5_K_M 5ビット混合精度 高品質
q8_0 8ビット均一 ほぼロスレス
f16 16ビット元の精度 フル精度

(3) ▶ サンプル:異なる量子化バリアントのプル

BASH
# Pull specific quantization
ollama pull llama3.1:8b-q4_K_M   # 4-bit, ~5GB
ollama pull llama3.1:8b-q5_K_M   # 5-bit, ~5.7GB
ollama pull llama3.1:8b-q8_0     # 8-bit, ~8GB

# Not all models have all variants
# Check available tags on ollama.com/library/model-name

出力:

TEXT
NAME                    ID              SIZE    
llama3.2:latest        a80...          2.0 GB  
mistral:latest         61...           4.1 GB

5. GGUFファイルからのカスタム量子化インポート

(1) GGUFファイル入手先

ソース URL 説明
HuggingFace huggingface.co .ggufを検索
TheBloke huggingface.co/TheBloke GGUF量子化コレクション
自前量子化 llama.cpp convert convert.pyを使用

(2) インポート手順

100%
flowchart LR
    A[GGUFダウンロード] --> B[Modelfile作成<br/>FROM ./model.gguf]
    B --> C[ollama create]
    C --> D[ollama run]

(3) ▶ サンプル:HuggingFace GGUFからのインポート

BASH
# Step 1: Download GGUF file from HuggingFace
wget "https://huggingface.co/TheBloke/Mistral-7B-Instruct-v0.2-GGUF/resolve/main/mistral-7b-instruct-v0.2.Q4_K_M.gguf"

# Step 2: Create Modelfile
cat > Modelfile <<EOF
FROM ./mistral-7b-instruct-v0.2.Q4_K_M.gguf
SYSTEM You are a helpful AI assistant.
PARAMETER temperature 0.7
PARAMETER num_ctx 4096
TEMPLATE """[INST] {{ if .System }}{{ .System }}{{ end }}
{{ .Prompt }} [/INST]
"""
EOF

# Step 3: Create model in Ollama
ollama create my-mistral -f Modelfile

# Step 4: Run
ollama run my-mistral "Explain quantum computing in simple terms"

出力:

TEXT
I'm a helpful AI assistant running locally on your machine...

6. 量子化品質評価

(1) 評価方法比較

方法 説明 ユースケース
主観的比較 同じ質問で異なる量子化の出力を比較 簡易スクリーニング
ベンチマーク 標準NLPベンチマーク(MMLU/HellaSwag) 量子化レベル評価
ビジネス評価 タスク固有の精度テスト 最終決定

(2) VRAM決定ツリー

100%
flowchart TD
    A[利用可能VRAM?] --> B{4 GB以下?}
    B -->|はい| C[3Bモデル Q4_K_M<br/>または 8B Q2_K]
    B -->|いいえ| D{8 GB?}
    D -->|はい| E[8B Q4_K_M ⭐ 推奨]
    D -->|いいえ| F{12〜16 GB?}
    F -->|はい| G[8B Q8_0 または 13B Q4_K_M]
    F -->|いいえ| H{24 GB?}
    H -->|はい| I[70B Q2_K または 8B FP16]
    H -->|いいえ| J{48 GB以上マルチGPU?}
    J -->|はい| K[70B Q4_K_M ⭐ 最高品質]

(3) ▶ サンプル:量子化品質比較スクリプト

PYTHON
import ollama
import time
from statistics import mean

def compare_quantizations(model_base: str, quantizations: list[str],
                          test_prompt: str, runs: int = 3):
    """Compare output quality and speed across quantizations."""
    results = {}
    for quant in quantizations:
        model_name = f"{model_base}:{quant}" if ":" not in model_base else model_base
        try:
            # Warm up
            ollama.chat(model=model_name,
                        messages=[{"role": "user", "content": "warm up"}],
                        stream=False)

            speeds = []
            responses = []
            for _ in range(runs):
                start = time.time()
                resp = ollama.chat(
                    model=model_name,
                    messages=[{"role": "user", "content": test_prompt}],
                    stream=False
                )
                elapsed = time.time() - start
                speeds.append(len(resp["message"]["content"]) / elapsed)
                responses.append(resp["message"]["content"])

            results[quant] = {
                "avg_speed": round(mean(speeds), 1),
                "sample_response": responses[0][:200]
            }
        except Exception as e:
            results[quant] = {"error": str(e)}

    return results

# Compare (if you have multiple quantizations pulled)
# results = compare_quantizations(
#     "llama3.1", ["q4_K_M", "q8_0"],
#     "Explain machine learning in 3 sentences"
# )
# for quant, data in results.items():
#     print(f"\n{quant}:")
#     for k, v in data.items():
#         print(f"  {k}: {v}")

出力:

TEXT
# Function defined successfully

(4) ▶ サンプル:シナリオ別量子化推奨

PYTHON
def recommend_quantization(vram_gb: float, use_case: str) -> dict:
    """Recommend optimal quantization based on VRAM and use case."""
    recommendations = {
        "chat": {
            "precision_priority": ("Q8_0", "Best quality, needs more VRAM"),
            "balanced": ("Q4_K_M", "Best quality/size ratio"),
            "size_priority": ("Q3_K_M", "Smallest usable quantization")
        },
        "code": {
            "precision_priority": ("Q8_0", "Code needs high precision"),
            "balanced": ("Q5_K_M", "Good precision for code tasks"),
            "size_priority": ("Q4_K_M", "Minimal quality loss for code")
        },
        "classification": {
            "precision_priority": ("Q5_K_M", "Overkill for classification"),
            "balanced": ("Q4_K_M", "More than enough"),
            "size_priority": ("Q2_K", "Classification is robust to quantization")
        }
    }

    # Determine priority based on VRAM
    if vram_gb >= 12:
        priority = "precision_priority"
    elif vram_gb >= 8:
        priority = "balanced"
    else:
        priority = "size_priority"

    quant, reason = recommendations.get(use_case, recommendations["chat"])[priority]

    # Model size recommendation
    if vram_gb >= 40:
        model_size = "70B"
    elif vram_gb >= 8:
        model_size = "8B"
    else:
        model_size = "3B"

    return {
        "vram_gb": vram_gb,
        "use_case": use_case,
        "priority": priority,
        "quantization": quant,
        "model_size": model_size,
        "reason": reason
    }

# Example usage
for vram in [4, 8, 24]:
    rec = recommend_quantization(vram, "chat")
    print(f"VRAM {vram}GB: {rec['model_size']} {rec['quantization']} ({rec['reason']})")

出力:

TEXT
# Function defined successfully

7. 総合サンプル:量子化評価とデプロイ決定

PYTHON
# ============================================
# Comprehensive: Quantization decision engine
# Evaluates quality, speed, and VRAM tradeoffs
# ============================================

import ollama
import time
import json
from pathlib import Path

class QuantizationAdvisor:
    def __init__(self, vram_gb: float, use_case: str = "chat"):
        self.vram_gb = vram_gb
        self.use_case = use_case
        self.results = {}

    def estimate_model_fit(self, params_b: float, quant: str) -> dict:
        """Estimate if a model+quantization fits in available VRAM."""
        quant_bytes = {
            "FP16": 2.0, "Q8_0": 1.0, "Q5_K_M": 0.625,
            "Q4_K_M": 0.5, "Q3_K_M": 0.375, "Q2_K": 0.25
        }
        bytes_per_param = quant_bytes.get(quant, 0.5)
        vram_needed = params_b * bytes_per_param * 1.2  # 20% overhead
        fits = vram_needed <= self.vram_gb
        return {
            "params": f"{params_b}B",
            "quantization": quant,
            "vram_needed_gb": round(vram_needed, 1),
            "vram_available_gb": self.vram_gb,
            "fits": fits,
            "headroom_gb": round(self.vram_gb - vram_needed, 1)
        }

    def generate_recommendations(self) -> list[dict]:
        """Generate all viable model+quantization combinations."""
        models = [
            (3.2, "llama3.2"), (8.0, "llama3.1:8b"), (70.0, "llama3.1:70b")
        ]
        quants = ["Q4_K_M", "Q5_K_M", "Q8_0"]

        viable = []
        for params, name in models:
            for quant in quants:
                fit = self.estimate_model_fit(params, quant)
                if fit["fits"]:
                    viable.append({
                        "model": name,
                        **fit
                    })

        # Sort by params descending (prefer larger model)
        viable.sort(key=lambda x: x["params"], reverse=True)
        return viable

    def best_recommendation(self) -> dict:
        """Return the single best recommendation."""
        viable = self.generate_recommendations()
        if not viable:
            return {"error": "No model fits in available VRAM. Use CPU mode."}

        # Prefer largest model, then highest quantization
        best = viable[0]
        return {
            "recommended_model": best["model"],
            "recommended_quantization": best["quantization"],
            "vram_used": f"{best['vram_needed_gb']}GB",
            "headroom": f"{best['headroom_gb']}GB",
            "reason": f"Largest model that fits {self.vram_gb}GB VRAM with Q4_K_M+"
        }

# Usage
if __name__ == "__main__":
    advisor = QuantizationAdvisor(vram_gb=8, use_case="chat")
    print("=== Quantization Recommendations (8GB VRAM) ===")
    for rec in advisor.generate_recommendations():
        print(f"  {rec['model']} {rec['quantization']}: "
              f"{rec['vram_needed_gb']}GB (headroom: {rec['headroom_gb']}GB)")

    print(f"\nBest: {advisor.best_recommendation()}")

❓ よくある質問

Q Q4_K_MとQ4_K_Sはどちらを選ぶ?
A Q4_K_Mを優先。_MはMedium精度で、_S(Small)より3〜5%高品質で、容量は5%増加のみ。_Mは最もコスパが良いと広く認識されている。
Q 量子化モデルが「バカになった」場合は?
A Q5_K_MまたはQ8_0にアップグレード。VRAMが不足する場合、パラメータ数の多い低量子化モデル(70B Q2_K)が、パラメータ数の少ない高量子化モデル(8B Q8_0)より性能が良いことがある。
Q Ollamaは自動的に量子化できる?
A Ollamaがプルするモデルはすでに事前量子化版(通常Q4_K_M)。プル時にカスタム量子化レベルは指定できない——GGUFファイルからインポートする必要がある。
Q GGUFファイルを自分で量子化するには?
A llama.cppのconvertとquantizeツールを使用。まずモデルをGGUF F16に変換し、quantizeでレベルを指定。上級者向け;初心者は事前量子化版をダウンロードすべき。
Q 量子化レベルは推論速度に影響する?
A 低量子化(Q2_K)ほど推論が高速(データ転送量が少ない)。しかしGPU上でのQ4_K_MとQ8_0の速度差は通常10%未満。CPU上ではQ4_K_Mが明らかに高速。
Q 埋め込みモデルは量子化が必要?
A 不要。埋め込みモデルはすでに小さい(nomic-embed-textは274MBのみ)で、量子化の効果は微少。デフォルトのまま使用。

📖 まとめ


📝 練習問題

  1. 基本(難易度 ⭐):同じモデルの2つの量子化バリアント(Q4_K_MとQ8_0)をプルし、ollama listでファイルサイズを比較し、同じ質問で出力品質を比較する。
  2. 中級(難易度 ⭐⭐):HuggingFaceからGGUFファイルをダウンロードし、ModelfileでOllamaにインポートし、推論が正しく動作することをテストする。
  3. 上級(難易度 ⭐⭐⭐):量子化評価スクリプトを作成し、カスタマーサービスシナリオで異なる量子化レベルの品質スコアをテスト(5つの標準質問)、量子化推奨表を出力する。
Web-Tutorial.com

Web-Tutorial 技術チーム

複数の開発者によって共同維持されているプログラミングチュートリアルプラットフォーム。各チュートリアルは専門分野の開発者が執筆・レビューしています。正確で信頼性の高いコンテンツを目指しています — 問題を見つけた場合はお知らせください。

100%