Meta Llama 3.1 8B Instruct AWQ INT4

🚀 Meta Llama 3.1-8B-Instruct AWQ量化模型

本项目是对原始模型meta-llama/Meta-Llama-3.1-8B-Instruct的社区驱动量化版本，该原始模型是Meta AI发布的BF16半精度官方版本。Meta Llama 3.1系列多语言大语言模型在多语言对话用例中表现出色，此量化版本进一步优化了模型的使用效率。

🚀 快速开始

重要提示

本仓库是原始模型meta-llama/Meta-Llama-3.1-8B-Instruct的社区驱动量化版本，该原始模型是Meta AI发布的BF16半精度官方版本。

📚 详细文档

模型信息

Meta Llama 3.1系列多语言大语言模型（LLMs）是一系列预训练和指令微调的生成模型，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、405B）针对多语言对话用例进行了优化，在常见的行业基准测试中，其性能优于许多现有的开源和闭源聊天模型。

本仓库包含使用AutoAWQ将meta-llama/Meta-Llama-3.1-8B-Instruct从FP16量化到INT4的模型，使用GEMM内核进行零点量化，分组大小为128。

模型使用

⚠️ 重要提示

要使用INT4量化的Llama 3.1 8B Instruct AWQ模型进行推理，仅加载模型检查点就需要约4 GiB的VRAM，不包括KV缓存或CUDA图，这意味着可用的VRAM应略多于这个数值。

可以使用不同的解决方案来使用当前的量化模型，如transformers、autoawq或text-generation-inference。

🤗 Transformers

要使用INT4量化的Llama 3.1 8B Instruct AWQ模型进行推理，需要安装以下包：

pip install -q --upgrade transformers autoawq accelerate

要在INT4精度下对Llama 3.1 8B Instruct AWQ模型进行推理，可以通过AutoModelForCausalLM像实例化其他因果语言模型一样实例化AWQ模型，并正常进行推理。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, AwqConfig

model_id = "hugging-quants/Meta-Llama-3.1-8B-Instruct-AWQ-INT4"

quantization_config = AwqConfig(
    bits=4,
    fuse_max_seq_len=512, # 注意：根据使用情况更新此值
    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

要使用INT4量化的Llama 3.1 8B Instruct AWQ模型进行推理，需要安装以下包：

pip install -q --upgrade transformers autoawq accelerate

也可以通过AutoAWQ运行推理，尽管它是基于🤗 transformers构建的，但如上文所述，这是推荐的方法。

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

model_id = "hugging-quants/Meta-Llama-3.1-8B-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])

AutoAWQ脚本改编自AutoAWQ/examples/generate.py。

🤗 Text Generation Inference (TGI)

要使用INT4量化的Llama 3.1 8B Instruct AWQ模型和Marlin内核运行text-generation-launcher以获得优化的推理速度，需要安装Docker（见安装说明）和huggingface_hub Python包，因为需要登录Hugging Face Hub。

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

然后只需按以下方式运行TGI v2.2.0（或更高版本）的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-3.1-8B-Instruct-AWQ-INT4 \
  -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

⚠️ 重要提示

TGI将暴露不同的端点，要查看所有可用的端点，请查看TGI OpenAPI规范。

要向与OpenAI OpenAPI规范兼容的已部署TGI端点（即/v1/chat/completions）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
  }'

或者通过huggingface_hub Python客户端以编程方式发送请求：

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-3.1-8B-Instruct-AWQ-INT4",
  messages=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "What is Deep Learning?"},
  ],
  max_tokens=128,
)

此外，也可以使用OpenAI Python客户端（见安装说明）：

import os
from openai import OpenAI

client = OpenAI(base_url="http://0.0.0.0:8080/v1", api_key=os.getenv("OPENAI_API_KEY", "-"))

chat_completion = client.chat.completions.create(
  model="tgi",
  messages=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "What is Deep Learning?"},
  ],
  max_tokens=128,
)

vLLM

要使用INT4量化的Llama 3.1 8B Instruct AWQ模型运行vLLM，需要安装Docker（见安装说明），并按以下方式运行最新的vLLM 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-3.1-8B-Instruct-AWQ-INT4 \
  --max-model-len 4096

要向与OpenAI OpenAPI规范兼容的已部署vLLM端点（即/v1/chat/completions）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-3.1-8B-Instruct-AWQ-INT4",
    "messages": [
      {
        "role": "system",
        "content": "You are a helpful assistant."
      },
      {
        "role": "user",
        "content": "What is Deep Learning?"
      }
    ],
    "max_tokens": 128
  }'

或者通过openai Python客户端以编程方式发送请求（见安装说明）：

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-3.1-8B-Instruct-AWQ-INT4",
  messages=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "What is Deep Learning?"},
  ],
  max_tokens=128,
)

量化复现

⚠️ 重要提示

要使用AutoAWQ对Llama 3.1 8B Instruct进行量化，需要使用一个至少有足够CPU RAM来容纳整个模型（约8GiB）的实例，以及一个具有16GiB VRAM的NVIDIA GPU来进行量化。

要对Llama 3.1 8B Instruct进行量化，首先安装以下包：

pip install -q --upgrade transformers autoawq accelerate

然后运行以下脚本，该脚本改编自AutoAWQ/examples/quantize.py：

from awq import AutoAWQForCausalLM
from transformers import AutoTokenizer

model_path = "meta-llama/Meta-Llama-3.1-8B-Instruct"
quant_path = "hugging-quants/Meta-Llama-3.1-8B-Instruct-AWQ-INT4"
quant_config = {
  "zero_point": True,
  "q_group_size": 128,
  "w_bit": 4,
  "version": "GEMM",
}

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

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

# 保存量化模型
model.save_quantized(quant_path)
tokenizer.save_pretrained(quant_path)

print(f'模型已量化并保存到 "{quant_path}"')

📄 许可证

本模型使用的许可证为llama3.1。

模型相关信息