Royal ZhTW-ID Q4_K_M - Quantized Translation Model

高效能量化版本的繁體中文↔印尼文雙向翻譯 GGUF 模型，基於 Llama 架構，採用 Q4_K_M 量化技術。

模型詳情

格式: GGUF
量化: Q4_K_M (混合精度量化)
架構: Llama
大小: ~4.36GB (相較原版 F16 減少約 69% 大小)
語言: 繁體中文 (zh-TW) ↔ 印尼文 (ID) 雙向翻譯
原始模型: roylin1003/royal-zhTW-ID-f16.gguf
量化工具: llama-quantize (llama.cpp)

量化資訊

此模型使用 Q4_K_M 量化，提供：

大幅減少記憶體使用量
保持良好的模型品質
更快的推理速度
適合資源有限的環境

使用方式

Ollama

ollama run roylin1003/royal-ZhTW-ID-q4_k_m.gguf

llama.cpp

./main -m royal-ZhTW-ID-q4_k_m.gguf -p "Hello" -c 2048

Python (llama-cpp-python)

from llama_cpp import Llama
llm = Llama(
    model_path="royal-ZhTW-ID-q4_k_m.gguf",
    n_ctx=2048,
    n_threads=8
)

LM Studio

直接載入 GGUF 檔案即可使用

翻譯範例

繁體中文 → 印尼文

輸入: 請將以下繁體中文翻譯成印尼文
然而面臨到期債務壓力，可能影響其獲得補助的資格。

輸出: Namun, tekanan dari utang yang jatuh tempo dapat memengaruhi kelayakannya untuk menerima subsidi tersebut.

印尼文 → 繁體中文

輸入: 請將以下印尼文翻譯成繁體中文
Namun, tekanan dari utang yang jatuh tempo dapat memengaruhi kelayakannya untuk menerima subsidi tersebut.

輸出: 然而面臨到期債務壓力，可能影響其獲得補助的資格。

系統需求

RAM: 最低 6GB，建議 8GB+
CPU: 支援 AVX2 指令集
儲存: 約 4.36GB 空間

效能比較

版本	大小	記憶體需求	推理速度	品質保持率
F16	~14GB	~16GB	基準	100%
Q4_K_M	~4.36GB	~6GB	2-3x faster	~95%

兼容性

✅ llama.cpp
✅ Ollama
✅ text-generation-webui
✅ LM Studio
✅ KoboldCpp
✅ Jan
✅ GPT4All

量化技術

Q4_K_M 採用混合精度策略：

注意力機制使用較高精度
FFN 層使用適中精度
平衡模型大小與品質

訓練資料

模型基於高品質的中文↔印尼文平行語料進行微調，涵蓋新聞、商務、學術等多種領域的翻譯對。

建議用途

繁體中文↔印尼文雙向翻譯
跨語言文檔處理
商務文件翻譯
新聞文章翻譯
學術文獻翻譯

授權

本模型採用 Apache 2.0 授權條款。

致謝

感謝 llama.cpp 團隊提供優秀的量化工具。

由 Roy Lin 創建 🚀 | Q4_K_M 量化版本