🚀 彈性模型:Meta-Llama-3.1-8B-Instruct
彈性模型是由TheStage AI的ANNA(自動化神經網絡加速器)生成的模型。ANNA允許你通過簡單的滑動操作來控制模型的大小、延遲和質量。對於每個模型,ANNA都會生成一系列優化模型:
- XL:數學上等效的神經網絡,使用我們的DNN編譯器進行優化。
- L:近乎無損的模型,在相應基準測試中的性能下降不到1%。
- M:更快的模型,準確率下降不到1.5%。
- S:最快的模型,準確率下降不到2%。
彈性模型的目標:
- 在推理時,在成本與質量的選擇上提供靈活性。
- 提供清晰的質量和延遲基準。
- 提供與HF庫(transformers和diffusers)的接口,只需一行代碼。
- 提供支持廣泛硬件的模型,這些模型是預編譯的,無需即時編譯(JIT)。
- 為自託管提供最佳的模型和服務。
⚠️ 重要提示
具體的質量下降情況可能因模型而異。例如,S模型的性能下降也可能只有0.5%。

🚀 快速開始
📦 安裝指南
要使用我們的模型,你需要在終端中運行以下命令:
pip install thestage
pip install elastic_models[nvidia] \
--index-url https://thestage.jfrog.io/artifactory/api/pypi/pypi-thestage-ai-production/simple \
--extra-index-url https://pypi.nvidia.com \
--extra-index-url https://pypi.org/simple
pip install flash_attn==2.7.3 --no-build-isolation
pip uninstall apex
然後,前往 app.thestage.ai 登錄,並從你的個人資料頁面生成API令牌。設置API令牌的命令如下:
thestage config set --api-token <YOUR_API_TOKEN>
恭喜,現在你可以使用加速模型了!
💻 使用示例
要推理我們的模型,你只需將 transformers
導入替換為 elastic_models.transformers
:
import torch
from transformers import AutoTokenizer
from elastic_models.transformers import AutoModelForCausalLM
model_name = "meta-llama/Meta-Llama-3.1-8B-Instruct"
hf_token = ''
device = torch.device("cuda")
tokenizer = AutoTokenizer.from_pretrained(
model_name, token=hf_token
)
model = AutoModelForCausalLM.from_pretrained(
model_name,
token=hf_token,
torch_dtype=torch.bfloat16,
attn_implementation="sdpa",
mode='S'
).to(device)
model.generation_config.pad_token_id = tokenizer.eos_token_id
prompt = "Describe basics of DNNs quantization."
messages = [
{
"role": "system",
"content": "You are a search bot, answer on user text queries."
},
{
"role": "user",
"content": prompt
}
]
chat_prompt = tokenizer.apply_chat_template(
messages, add_generation_prompt=True, tokenize=False
)
inputs = tokenizer(chat_prompt, return_tensors="pt")
inputs.to(device)
with torch.inference_mode():
generate_ids = model.generate(**inputs, max_length=500)
input_len = inputs['input_ids'].shape[1]
generate_ids = generate_ids[:, input_len:]
output = tokenizer.batch_decode(
generate_ids,
skip_special_tokens=True,
clean_up_tokenization_spaces=False
)[0]
print(f"# Q:\n{prompt}\n")
print(f"# A:\n{output}\n")
系統要求:
- GPU:H100、L40s
- CPU:AMD、Intel
- Python:3.10 - 3.12
📚 詳細文檔
🔍 基準測試
基準測試是模型加速過程中最重要的步驟之一。我們旨在為使用我們算法的模型提供清晰的性能指標。W8A8, int8
列表示我們對所有線性層應用了W8A8量化,並使用了與ANNA相同的校準數據。S模型實現了幾乎相同的速度,但質量更高,因為ANNA知道如何提高敏感層的量化質量!
質量基準
指標/模型 |
S |
M |
L |
XL |
原始模型 |
W8A8, int8 |
MMLU |
65.8 |
66.8 |
67.5 |
68.2 |
68.2 |
24.3 |
PIQA |
77.6 |
79.3 |
79.8 |
79.8 |
79.8 |
64.6 |
Arc Challenge |
50.7 |
50.3 |
52.3 |
51.7 |
51.7 |
29.6 |
Winogrande |
72.5 |
72 |
73.3 |
73.9 |
73.9 |
62.8 |
- MMLU:評估跨57個學科(包括科學、人文、工程等)的常識。展示模型處理各種學術主題的能力。
- PIQA:通過關於日常物理交互的問題評估物理常識推理能力。展示模型對現實世界物理概念的理解。
- Arc Challenge:評估需要推理的小學水平多項選擇題。展示模型解決複雜推理任務的能力。
- Winogrande:通過句子完成任務評估常識推理能力。展示模型理解上下文和解決歧義的能力。
延遲基準
100輸入/300輸出;tok/s:
GPU/模型 |
S |
M |
L |
XL |
原始模型 |
W8A8, int8 |
H100 |
189 |
175 |
159 |
132 |
60 |
191 |
L40s |
73 |
64 |
57 |
45 |
40 |
77 |
📄 許可證
本項目採用Apache-2.0許可證。
🔗 相關鏈接