Deepseek R1 Distill Llama 70B FP8 Dynamic

🚀 DeepSeek-R1-Distill-Llama-70B-FP8-dynamic

這是 DeepSeek-R1-Distill-Llama-70B 的量化版本，通過將權重和激活量化為 FP8 數據類型，減少了磁盤大小和 GPU 內存需求，同時在推理性能上有顯著提升。

🚀 快速開始

使用 vLLM 部署模型

此模型可以使用 vLLM 後端進行高效部署，示例代碼如下：

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

number_gpus = 2
model_name = "neuralmagic/DeepSeek-R1-Distill-Llama-70B-FP8-dynamic"

tokenizer = AutoTokenizer.from_pretrained(model_name)
sampling_params = SamplingParams(temperature=0.6, max_tokens=256, stop_token_ids=[tokenizer.eos_token_id])
llm = LLM(model=model_name, tensor_parallel_size=number_gpus, trust_remote_code=True)

messages_list = [
    [{"role": "user", "content": "Who are you? Please respond in pirate speak!"}],
]

prompt_token_ids = [tokenizer.apply_chat_template(messages, add_generation_prompt=True) for messages in messages_list]

outputs = llm.generate(prompt_token_ids=prompt_token_ids, sampling_params=sampling_params)

generated_text = [output.outputs[0].text for output in outputs]
print(generated_text)

vLLM 還支持與 OpenAI 兼容的服務，更多詳細信息請參閱 文檔。

✨ 主要特性

• 模型架構：LlamaForCausalLM，輸入和輸出均為文本。
• 模型優化：
  • 權重量化：FP8
  • 激活量化：FP8
• 發佈日期：2025 年 2 月 1 日
• 版本：1.0
• 模型開發者：Neural Magic

通過將 DeepSeek-R1-Distill-Llama-70B 的權重和激活量化為 FP8 數據類型，該優化將每個參數的位數從 16 位減少到 8 位，大約減少了 50% 的磁盤大小和 GPU 內存需求。僅對 Transformer 塊內線性算子的權重和激活進行量化，權重使用對稱的每通道方案進行量化，激活使用對稱的每令牌方案進行量化，使用 LLM Compressor 進行量化。

📦 安裝指南

文檔未提及具體安裝步驟，可參考 vLLM 和相關依賴的官方文檔進行安裝。

💻 使用示例

基礎用法

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

number_gpus = 2
model_name = "neuralmagic/DeepSeek-R1-Distill-Llama-70B-FP8-dynamic"

tokenizer = AutoTokenizer.from_pretrained(model_name)
sampling_params = SamplingParams(temperature=0.6, max_tokens=256, stop_token_ids=[tokenizer.eos_token_id])
llm = LLM(model=model_name, tensor_parallel_size=number_gpus, trust_remote_code=True)

messages_list = [
    [{"role": "user", "content": "Who are you? Please respond in pirate speak!"}],
]

prompt_token_ids = [tokenizer.apply_chat_template(messages, add_generation_prompt=True) for messages in messages_list]

outputs = llm.generate(prompt_token_ids=prompt_token_ids, sampling_params=sampling_params)

generated_text = [output.outputs[0].text for output in outputs]
print(generated_text)

模型創建示例

此模型使用 llm-compressor 創建，運行以下代碼片段：

from transformers import AutoModelForCausalLM, AutoTokenizer
from llmcompressor.modifiers.quantization import QuantizationModifier
from llmcompressor.transformers import oneshot
from llmcompressor.transformers.compression.helpers import calculate_offload_device_map
import os

# Load model
model_stub = "deepseek-ai/DeepSeek-R1-Distill-Llama-70B"
model_name = model_stub.split("/")[-1]

device_map = calculate_offload_device_map(
    model_stub,
    reserve_for_hessians=True,
    num_gpus=2,
    torch_dtype="auto",
)

model = AutoModelForCausalLM.from_pretrained(
    model_stub,
    device_map=device_map,
    torch_dtype="auto",
)

tokenizer = AutoTokenizer.from_pretrained(model_stub)

# Configure the quantization algorithm and scheme
recipe = QuantizationModifier(
    targets="Linear",
    scheme="FP8_DYNAMIC",
    ignore=["lm_head"],
)

# Apply quantization
oneshot(
    model=model,
    recipe=recipe,
)

# Save to disk in compressed-tensors format
save_path = model_name + "-FP8-dynamic"
model.save_pretrained(save_path)
tokenizer.save_pretrained(save_path)
print(f"Model and tokenizer saved to: {save_path}")

📚 詳細文檔

評估

該模型在 OpenLLM 排行榜 V1 和 V2 上進行了評估，使用以下命令：

OpenLLM 排行榜 V1：

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/DeepSeek-R1-Distill-Llama-70B-FP8-dynamic",dtype=auto,max_model_len=4096,tensor_parallel_size=2,enable_chunked_prefill=True \
  --tasks openllm \
  --write_out \
  --batch_size auto \
  --output_path output_dir \
  --show_config

OpenLLM 排行榜 V2：

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/DeepSeek-R1-Distill-Llama-70B-FP8-dynamic",dtype=auto,max_model_len=4096,tensor_parallel_size=2,enable_chunked_prefill=True \
  --apply_chat_template \
  --fewshot_as_multiturn \
  --tasks leaderboard \
  --write_out \
  --batch_size auto \
  --output_path output_dir \
  --show_config

準確率

推理性能

此模型在單流部署中最高可實現 1.4 倍加速，在多流異步部署中最高可實現 3.0 倍加速，具體取決於硬件和用例場景。以下性能基準測試使用 vLLM 版本 0.7.2 和 GuideLLM 進行。

guidellm --model neuralmagic/DeepSeek-R1-Distill-Llama-70B-FP8-dynamic --target "http://localhost:8000/v1" --data-type emulated --data "prompt_tokens=<prompt_tokens>,generated_tokens=<generated_tokens>" --max seconds 360 --backend aiohttp_server

單流性能（使用 vLLM 版本 0.7.2 測量）

用例配置文件：提示令牌 / 生成令牌

**QPD：每美元查詢次數，基於 Lambda Labs 的按需成本（2025 年 2 月 18 日觀察）。

多流異步性能（使用 vLLM 版本 0.7.2 測量）

用例配置文件：提示令牌 / 生成令牌

QPS：每秒查詢次數

**QPD：每美元查詢次數，基於 Lambda Labs 的按需成本（2025 年 2 月 18 日觀察）。

📄 許可證

本項目採用 MIT 許可證。