Llava V1.5 13B AWQ

🚀 Llava v1.5 13B - AWQ

Llava v1.5 13B - AWQ 是基於 Llava v1.5 13B 模型進行 AWQ 量化的版本。AWQ 量化方法高效、準確且推理速度快，支持多用戶服務器場景下的高吞吐量併發推理。該模型適用於圖像識別、多模態對話等領域，能幫助開發者更高效地進行相關研究和應用開發。

🚀 快速開始

從 vLLM 部署此模型

安裝和使用 vLLM 的文檔 可在此處找到。

注意：在編寫本文檔時，vLLM 尚未發佈支持 AWQ 的新版本。

如果在嘗試以下 vLLM 示例時遇到 quantization 未被識別的錯誤或其他與 AWQ 相關的問題，請從 Github 源代碼安裝 vLLM。

• 當將 vLLM 用作服務器時，傳遞 --quantization awq 參數，例如：

python3 python -m vllm.entrypoints.api_server --model TheBloke/llava-v1.5-13B-AWQ --quantization awq --dtype half

當從 Python 代碼使用 vLLM 時，傳遞 quantization=awq 參數，例如：

from vllm import LLM, SamplingParams

prompts = [
    "Hello, my name is",
    "The president of the United States is",
    "The capital of France is",
    "The future of AI is",
]
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)

llm = LLM(model="TheBloke/llava-v1.5-13B-AWQ", quantization="awq", dtype="half")

outputs = llm.generate(prompts, sampling_params)

# Print the outputs.
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

從 Text Generation Inference (TGI) 部署此模型

使用 TGI 版本 1.1.0 或更高版本。官方 Docker 容器為：ghcr.io/huggingface/text-generation-inference:1.1.0

示例 Docker 參數：

--model-id TheBloke/llava-v1.5-13B-AWQ --port 3000 --quantize awq --max-input-length 3696 --max-total-tokens 4096 --max-batch-prefill-tokens 4096

示例 Python 代碼（需要 huggingface-hub 0.17.0 或更高版本）：

pip3 install huggingface-hub

from huggingface_hub import InferenceClient

endpoint_url = "https://your-endpoint-url-here"

prompt = "Tell me about AI"
prompt_template=f'''{prompt}

'''

client = InferenceClient(endpoint_url)
response = client.text_generation(prompt,
                                  max_new_tokens=128,
                                  do_sample=True,
                                  temperature=0.7,
                                  top_p=0.95,
                                  top_k=40,
                                  repetition_penalty=1.1)

print(f"Model output: {response}")

從 Python 代碼使用此 AWQ 模型

安裝必要的包

需要：AutoAWQ 0.1.1 或更高版本

pip3 install autoawq

如果在使用預構建的輪子安裝 AutoAWQ 時遇到問題，請從源代碼安裝：

pip3 uninstall -y autoawq
git clone https://github.com/casper-hansen/AutoAWQ
cd AutoAWQ
pip3 install .

示例代碼

from awq import AutoAWQForCausalLM
from transformers import AutoTokenizer

model_name_or_path = "TheBloke/llava-v1.5-13B-AWQ"

# Load model
model = AutoAWQForCausalLM.from_quantized(model_name_or_path, fuse_layers=True,
                                          trust_remote_code=False, safetensors=True)
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, trust_remote_code=False)

prompt = "Tell me about AI"
prompt_template=f'''{prompt}

'''

print("\n\n*** Generate:")

tokens = tokenizer(
    prompt_template,
    return_tensors='pt'
).input_ids.cuda()

# Generate output
generation_output = model.generate(
    tokens,
    do_sample=True,
    temperature=0.7,
    top_p=0.95,
    top_k=40,
    max_new_tokens=512
)

print("Output: ", tokenizer.decode(generation_output[0]))

"""
# Inference should be possible with transformers pipeline as well in future
# But currently this is not yet supported by AutoAWQ (correct as of September 25th 2023)
from transformers import pipeline

print("*** Pipeline:")
pipe = pipeline(
    "text-generation",
    model=model,
    tokenizer=tokenizer,
    max_new_tokens=512,
    do_sample=True,
    temperature=0.7,
    top_p=0.95,
    top_k=40,
    repetition_penalty=1.1
)

print(pipe(prompt_template)[0]['generated_text'])
"""

✨ 主要特性

• 高效量化：採用 AWQ 量化方法，支持 4 位量化，相比 GPTQ 提供更快的基於 Transformer 的推理。
• 多平臺支持：支持 vLLM、Huggingface Text Generation Inference (TGI) 等，可用於高吞吐量併發推理。
• 多版本可用：提供 AWQ、GPTQ 等不同量化版本，以及原始未量化的 fp16 模型。

📦 安裝指南

安裝 vLLM

文檔 可在此處找到。

安裝 AutoAWQ

pip3 install autoawq

若安裝有問題，從源代碼安裝：

pip3 uninstall -y autoawq
git clone https://github.com/casper-hansen/AutoAWQ
cd AutoAWQ
pip3 install .

安裝 huggingface-hub（用於 TGI 示例）

pip3 install huggingface-hub

📚 詳細文檔

模型信息

• 模型創建者：Haotian Liu
• 原始模型：Llava v1.5 13B
• 模型類型：llama
• 許可證：llama2

可用倉庫

• 用於 GPU 推理的 AWQ 模型
• 具有多個量化參數選項的 GPTQ 模型，用於 GPU 推理
• Haotian Liu 原始未量化的 pytorch 格式 fp16 模型，用於 GPU 推理和進一步轉換

提示模板

A chat between a curious user and an artificial intelligence assistant. The assistant gives helpful, detailed, and polite answers to the user's questions.
USER: <image>{prompt}
ASSISTANT:

提供的文件和 AWQ 參數

首次發佈 AWQ 模型時，僅發佈 128g 模型。若有需求，且完成困惑度和評估比較後，會考慮添加 32g 模型，但目前 32g 模型仍未與 AutoAWQ 和 vLLM 進行全面測試。

模型以分片的 safetensors 文件形式發佈。

兼容性

提供的文件經測試可與以下工具配合使用：

• AutoAWQ
• vLLM
• Huggingface Text Generation Inference (TGI)

TGI 於 2023 年 9 月 25 日合併了 AWQ 支持：TGI PR #1054。在 TGI 下一個版本發佈之前，使用 :latest Docker 容器。

🔧 技術細節

AWQ 量化方法

AWQ 是一種高效、準確且快速的低比特權重量化方法，目前支持 4 位量化。與 GPTQ 相比，它為基於 Transformer 的模型提供了更快的推理速度。

服務器支持

現在 vLLM 和 Huggingface Text Generation Inference (TGI) 都支持 AWQ 量化模型，可用於多用戶服務器場景下的高吞吐量併發推理。

📄 許可證

Llama 2 遵循 LLAMA 2 社區許可證，版權歸 Meta Platforms, Inc. 所有。

其他信息

Discord

如需進一步支持，或討論這些模型和人工智能相關話題，請加入：TheBloke AI 的 Discord 服務器

感謝與貢獻

感謝 chirper.ai 團隊和 gpus.llm-utils.org 的 Clay！

如果您有能力且願意貢獻，將不勝感激，這將幫助提供更多模型並開展新的人工智能項目。捐贈者將在所有 AI/LLM/模型問題和請求上獲得優先支持，訪問私人 Discord 房間等。

• Patreon: https://patreon.com/TheBlokeAI
• Ko-Fi: https://ko-fi.com/TheBlokeAI

特別感謝：Aemon Algiz。

Patreon 特別提及：Pierre Kircher, Stanislav Ovsiannikov 等眾多貢獻者。

感謝所有慷慨的贊助者和捐贈者！再次感謝 a16z 的慷慨資助。