🚀 Pruna AI:让AI模型更廉价、更小、更快、更环保!
Pruna AI致力于压缩AI模型,让模型在成本、体积、速度和环保性上都有显著提升,为用户带来更高效的使用体验。

- 如果你喜欢这个模型,就点个赞吧!
- 点击此处联系我们,告诉我们接下来要压缩哪个模型。
- 点击此处申请访问权限,轻松压缩你自己的AI模型。
- 点击此处阅读文档以了解更多信息。
- 点击此处加入Pruna AI的Discord社区,分享反馈、建议或获取帮助。
📊 结果展示

常见问题解答
- 压缩是如何工作的? 模型使用awq进行压缩。
- 模型质量会发生怎样的变化? 与基础模型相比,模型输出的质量可能会有所不同。
- 如何评估模型效率? 这些结果是在NVIDIA A100 - PCIE - 40GB上获得的,配置信息在
model/smash_config.json
中描述,并且是在硬件预热后获得的。压缩后的模型直接与原始基础模型进行比较。在其他设置(如其他硬件、图像大小、批量大小等)下,效率结果可能会有所不同。我们建议在实际使用条件下直接运行,以确定压缩后的模型是否对你有帮助。
- 模型格式是什么? 我们使用safetensors。
- 使用了哪些校准数据? 如果压缩方法需要,我们使用WikiText作为校准数据。
- Pruna Huggingface模型的命名规则是什么? 如果压缩后的模型在推理速度、推理内存或推理能耗方面低于原始基础模型的90%,我们会在原始模型名称后加上“turbo”、“tiny”或“green”。
- 如何压缩我自己的模型? 你可以点击此处申请高级访问权限,以获取更多压缩方法和针对特定用例的技术支持。
- 什么是“首次”指标? 提到“首次”的结果是在模型首次运行后获得的。由于cuda开销,首次运行可能比后续运行占用更多内存或更慢。
- 什么是“同步”和“异步”指标? “同步”指标是通过同步所有GPU进程并在所有进程执行完毕后停止测量获得的。“异步”指标是在不同步所有GPU进程的情况下获得的,并在模型输出可供CPU使用时停止。由于这两种指标在不同用例中都可能相关,我们同时提供这两种指标。我们建议在你的用例中直接测试效率提升情况。
📦 安装指南
你可以按照以下步骤运行压缩后的模型:
- 检查是否已安装原始仓库google/gemma - 2b的依赖项。特别是要检查python、cuda和transformers的版本。
- 确保你已经安装了与量化相关的包。
pip install autoawq
- 加载并运行模型。
from transformers import AutoModelForCausalLM, AutoTokenizer
from awq import AutoAWQForCausalLM
model = AutoAWQForCausalLM.from_quantized("PrunaAI/google-gemma-2b-AWQ-4bit-smashed", trust_remote_code=True, device_map='auto')
tokenizer = AutoTokenizer.from_pretrained("google/gemma-2b")
input_ids = tokenizer("What is the color of prunes?,", return_tensors='pt').to(model.device)["input_ids"]
outputs = model.generate(input_ids, max_new_tokens=216)
tokenizer.decode(outputs[0])
⚙️ 配置信息
配置信息位于smash_config.json
中。
📄 许可证
压缩后模型的许可证遵循原始模型的许可证。在使用此模型之前,请检查原始模型google/gemma - 2b的许可证。pruna - engine
的许可证可在Pypi上查看。
💌 压缩其他模型
- 点击此处联系我们,告诉我们接下来要压缩哪个模型。
- 点击此处申请访问权限,轻松压缩你自己的AI模型。