Safetensors后缀名的文件是一种用于存储深度学习模型的文件格式，并使用numpy库来保存张量数据，确保加载过程中的安全性和速度。Safetensors文件格式与.pt（PyTorch tensor）和.h5（HDF5）等其他深度学习模型存储格式相比，提供了安全且高效的模型压缩方法，但在安全性和压缩效率之间取得了平衡。此外，Safetensors格式的文件可能包含一些额外的元数据，用于验证数据的完整性和一致性。因此，Safetensors后缀名的文件主要用于安全地存储和加载张量数据，适用于跨平台或长期存储，以避免兼容性问题。
表格每列含义：
Safe：能否确定文件不包含可执行代码？
Zero-copy：载入该文件是否比原文件花费更多内存？
Lazy loading：查看（inspect）文件的时候能否不加载整个文件？加载部分tensor时能否不扫描整个文件（在分布式设置下）？
Layout control：如果tensor信息在文件中传播，那么惰性载入并不足够，此时即使信息是惰性访问的，也必须访问大部分文件才能读取可用tensor（导致许多从硬盘到内存的拷贝动作）。通过layout control快速访问单个tensor非常重要。
No file size limit：是否有文件大小限制?
Flexibility：能否保存定制代码，并且之后能在无需额外代码的情况下使用？
Bfloat16：是否原生支持Bfloat16？这在机器学习领域中越来越重要。
Safetensors的额外优势：
防止DOS (Denial of Service) 攻击：一方面，通过限制文件头大小为100MB以阻止极端大JSON的生成。另一方面，当读取文件时，限制文件地址不被覆盖，使其在载入过程中不会在内存中超出文件大小。
载入更快：对机器学习常用格式中，PyTorch似乎是加载最快的文件格式。而Safetensors通过跳过额外的CPU拷贝，在常规Linux硬件上的载入速度是PyTorch的2倍。
惰性加载：在多节点或多GPU的分布式设置下，不同模型可以仅仅加载文件中的部分tensors。例如使用 8 GPU载入BLOOM模型的时间可以从用常规PyTorch的10分钟降至45秒。