Meta Llama 3.1 70B Instruct AWQ INT4

🚀 Meta Llama 3.1 70B Instruct AWQ INT4 量化模型

本项目是对原始模型meta-llama/Meta-Llama-3.1-70B-Instruct的社区驱动量化版本，原始模型是 Meta AI 发布的 FP16 半精度官方版本。该量化模型使用 AutoAWQ 将模型从 FP16 量化到 INT4，能在减少显存占用的同时保持一定的性能。

🚀 快速开始

环境准备

运行 Llama 3.1 70B Instruct AWQ INT4 模型推理大约需要 35 GiB 的显存来加载模型检查点，且不包括 KV 缓存或 CUDA 图，因此需要确保有足够的显存可用。

安装依赖

根据不同的使用方式，安装相应的依赖包。

🤗 Transformers

pip install -q --upgrade transformers autoawq accelerate

AutoAWQ

pip install -q --upgrade transformers autoawq accelerate

🤗 Text Generation Inference (TGI)

pip install -q --upgrade huggingface_hub
huggingface-cli login

vLLM

需要安装 Docker，参考安装说明。

✨ 主要特性

• 多语言支持：支持英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语等多种语言。
• 量化优化：使用 AutoAWQ 从 FP16 量化到 INT4，减少显存占用。
• 多种推理方案：支持 transformers、autoawq、text-generation-inference 和 vLLM 等多种推理方案。

📦 安装指南

🤗 Transformers

pip install -q --upgrade transformers autoawq accelerate

AutoAWQ

pip install -q --upgrade transformers autoawq accelerate

🤗 Text Generation Inference (TGI)

pip install -q --upgrade huggingface_hub
huggingface-cli login

vLLM

安装 Docker，参考安装说明。

💻 使用示例

🤗 Transformers

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, AwqConfig

model_id = "hugging-quants/Meta-Llama-3.1-70B-Instruct-AWQ-INT4"
quantization_config = AwqConfig(
    bits=4,
    fuse_max_seq_len=512, # Note: Update this as per your use-case
    do_fuse=True,
)

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
  model_id,
  torch_dtype=torch.float16,
  low_cpu_mem_usage=True,
  device_map="auto",
  quantization_config=quantization_config
)

prompt = [
  {"role": "system", "content": "You are a helpful assistant, that responds as a pirate."},
  {"role": "user", "content": "What's Deep Learning?"},
]
inputs = tokenizer.apply_chat_template(
  prompt,
  tokenize=True,
  add_generation_prompt=True,
  return_tensors="pt",
  return_dict=True,
).to("cuda")

outputs = model.generate(**inputs, do_sample=True, max_new_tokens=256)
print(tokenizer.batch_decode(outputs[:, inputs['input_ids'].shape[1]:], skip_special_tokens=True)[0])

AutoAWQ

import torch
from awq import AutoAWQForCausalLM
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "hugging-quants/Meta-Llama-3.1-70B-Instruct-AWQ-INT4"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoAWQForCausalLM.from_pretrained(
  model_id,
  torch_dtype=torch.float16,
  low_cpu_mem_usage=True,
  device_map="auto",
)

prompt = [
  {"role": "system", "content": "You are a helpful assistant, that responds as a pirate."},
  {"role": "user", "content": "What's Deep Learning?"},
]
inputs = tokenizer.apply_chat_template(
  prompt,
  tokenize=True,
  add_generation_prompt=True,
  return_tensors="pt",
  return_dict=True,
).to("cuda")

outputs = model.generate(**inputs, do_sample=True, max_new_tokens=256)
print(tokenizer.batch_decode(outputs[:, inputs['input_ids'].shape[1]:], skip_special_tokens=True)[0])

🤗 Text Generation Inference (TGI)

启动 Docker 容器

docker run --gpus all --shm-size 1g -ti -p 8080:80 \
  -v hf_cache:/data \
  -e MODEL_ID=hugging-quants/Meta-Llama-3.1-70B-Instruct-AWQ-INT4 \
  -e NUM_SHARD=4 \
  -e QUANTIZE=awq \
  -e HF_TOKEN=$(cat ~/.cache/huggingface/token) \
  -e MAX_INPUT_LENGTH=4000 \
  -e MAX_TOTAL_TOKENS=4096 \
  ghcr.io/huggingface/text-generation-inference:2.2.0

发送请求

curl 0.0.0.0:8080/v1/chat/completions \
  -X POST \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "tgi",
    "messages": [
      {
        "role": "system",
        "content": "You are a helpful assistant."
      },
      {
        "role": "user",
        "content": "What is Deep Learning?"
      }
    ],
    "max_tokens": 128
  }'

Python 代码调用

import os
from huggingface_hub import InferenceClient

client = InferenceClient(base_url="http://0.0.0.0:8080", api_key=os.getenv("HF_TOKEN", "-"))

chat_completion = client.chat.completions.create(
  model="hugging-quants/Meta-Llama-3.1-70B-Instruct-AWQ-INT4",
  messages=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "What is Deep Learning?"},
  ],
  max_tokens=128,
)

vLLM

启动 Docker 容器

docker run --runtime nvidia --gpus all --ipc=host -p 8000:8000 \
  -v hf_cache:/root/.cache/huggingface \
  vllm/vllm-openai:latest \
  --model hugging-quants/Meta-Llama-3.1-70B-Instruct-AWQ-INT4 \
  --tensor-parallel-size 4 \
  --max-model-len 4096

发送请求

curl 0.0.0.0:8000/v1/chat/completions \
  -X POST \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "hugging-quants/Meta-Llama-3.1-70B-Instruct-AWQ-INT4",
    "messages": [
      {
        "role": "system",
        "content": "You are a helpful assistant."
      },
      {
        "role": "user",
        "content": "What is Deep Learning?"
      }
    ],
    "max_tokens": 128
  }'

Python 代码调用

import os
from openai import OpenAI

client = OpenAI(base_url="http://0.0.0.0:8000/v1", api_key=os.getenv("VLLM_API_KEY", "-"))

chat_completion = client.chat.completions.create(
  model="hugging-quants/Meta-Llama-3.1-70B-Instruct-AWQ-INT4",
  messages=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "What is Deep Learning?"},
  ],
  max_tokens=128,
)

📚 详细文档

模型信息

Meta Llama 3.1 是一系列多语言大语言模型（LLM），有 8B、70B 和 405B 三种规模（文本输入/文本输出）。Llama 3.1 指令微调的纯文本模型（8B、70B、70B）针对多语言对话用例进行了优化，在常见行业基准测试中优于许多可用的开源和闭源聊天模型。

本仓库包含使用 AutoAWQ 对meta-llama/Meta-Llama-3.1-70B-Instruct 进行量化的版本，从 FP16 量化到 INT4，使用 GEMM 内核进行零点量化，组大小为 128。

量化复现

环境要求

量化 Llama 3.1 70B Instruct 需要至少有足够 CPU 内存（约 140GiB）来加载整个模型的实例，以及具有 40GiB 显存的 NVIDIA GPU。

安装依赖

pip install -q --upgrade transformers autoawq accelerate

运行量化脚本

from awq import AutoAWQForCausalLM
from transformers import AutoTokenizer

model_path = "meta-llama/Meta-Llama-3.1-70B-Instruct"
quant_path = "hugging-quants/Meta-Llama-3.1-70B-Instruct-AWQ-INT4"
quant_config = {
  "zero_point": True,
  "q_group_size": 128,
  "w_bit": 4,
  "version": "GEMM",
}

# Load model
model = AutoAWQForCausalLM.from_pretrained(
  model_path, low_cpu_mem_usage=True, use_cache=False,
)
tokenizer = AutoTokenizer.from_pretrained(model_path)

# Quantize
model.quantize(tokenizer, quant_config=quant_config)

# Save quantized model
model.save_quantized(quant_path)
tokenizer.save_pretrained(quant_path)

print(f'Model is quantized and saved at "{quant_path}"')

📄 许可证

本模型使用 llama3.1 许可证。

⚠️ 重要提示

运行 Llama 3.1 70B Instruct AWQ INT4 模型推理大约需要 35 GiB 的显存来加载模型检查点，且不包括 KV 缓存或 CUDA 图，因此需要确保有足够的显存可用。

💡 使用建议

• 在使用 transformers 或 autoawq 进行推理时，可以根据实际情况调整 fuse_max_seq_len 参数以优化性能。
• 使用 text-generation-inference 或 vLLM 时，确保 Docker 环境正常运行，并根据需要调整容器参数。