license: llama3.1 language:

• 英文
• 德语
• 法语
• 意大利语
• 葡萄牙语
• 印地语
• 西班牙语
• 泰语 library_name: transformers pipeline_tag: text-generation tags:
• llama-3.1
• meta
• autoawq

[!重要提示] 本仓库是原始模型 meta-llama/Meta-Llama-3.1-70B-Instruct 的社区驱动量化版本，后者是Meta AI发布的FP16半精度官方版本。

模型信息

Meta Llama 3.1系列多语言大语言模型（LLMs）是一组预训练和指令调优的生成模型，包含8B、70B和405B三种规模（文本输入/输出）。Llama 3.1指令调优的纯文本模型（8B、70B、70B）针对多语言对话场景进行了优化，在常见行业基准测试中表现优于许多开源和闭源聊天模型。

本仓库包含使用AutoAWQ从FP16量化至INT4的meta-llama/Meta-Llama-3.1-70B-Instruct，采用GEMM内核执行零点量化，分组大小为128。

模型使用

[!注意] 要在INT4精度下运行Llama 3.1 70B Instruct AWQ的推理，仅加载模型检查点就需要约35 GiB的显存，不包括KV缓存或CUDA图，因此需要有略高于此的可用显存。

要使用当前量化模型，支持多种解决方案，如transformers、autoawq或text-generation-inference。

🤗 Transformers

要在INT4精度下运行Llama 3.1 70B Instruct AWQ的推理，需要安装以下包：

pip install -q --upgrade transformers autoawq accelerate

要在INT4精度下运行Llama 3.1 70B Instruct AWQ的推理，可以通过AutoModelForCausalLM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-3.1-70B-Instruct-AWQ-INT4"
quantization_config = AwqConfig(
    bits=4,
    fuse_max_seq_len=512, # 注意：根据您的使用场景更新此值
    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": "你是一个乐于助人的助手，回答时模仿海盗的语气。"},
  {"role": "user", "content": "什么是深度学习？"},
]
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

要在INT4精度下运行Llama 3.1 70B Instruct AWQ的推理，需要安装以下包：

pip install -q --upgrade transformers autoawq accelerate

或者，也可以通过AutoAWQ运行，尽管它是基于🤗 transformers构建的，但推荐使用上述方法。

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": "你是一个乐于助人的助手，回答时模仿海盗的语气。"},
  {"role": "user", "content": "什么是深度学习？"},
]
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Marlin内核在INT4精度下运行text-generation-launcher以优化推理速度，需要安装Docker（参见安装说明）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-3.1-70B-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

[!注意] TGI将暴露不同的端点，要查看所有可用端点，请检查TGI OpenAPI规范。

向部署的TGI端点发送请求，兼容OpenAI OpenAPI规范，即/v1/chat/completions：

curl 0.0.0.0:8080/v1/chat/completions \
  -X POST \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "tgi",
    "messages": [
      {
        "role": "system",
        "content": "你是一个乐于助人的助手。"
      },
      {
        "role": "user",
        "content": "什么是深度学习？"
      }
    ],
    "max_tokens": 128
  }'

或通过huggingface_hub Python客户端编程实现：

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": "你是一个乐于助人的助手。"},
    {"role": "user", "content": "什么是深度学习？"},
  ],
  max_tokens=128,
)

或者，也可以使用OpenAI Python客户端（参见安装说明）：

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": "你是一个乐于助人的助手。"},
    {"role": "user", "content": "什么是深度学习？"},
  ],
  max_tokens=128,
)

vLLM

要使用vLLM在INT4精度下运行Llama 3.1 70B Instruct AWQ，需要安装Docker（参见安装说明）并运行最新的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-3.1-70B-Instruct-AWQ-INT4 \
  --tensor-parallel-size 4 \
  --max-model-len 4096

向部署的vLLM端点发送请求，兼容OpenAI OpenAPI规范，即/v1/chat/completions：

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": "你是一个乐于助人的助手。"
      },
      {
        "role": "user",
        "content": "什么是深度学习？"
      }
    ],
    "max_tokens": 128
  }'

或通过openai Python客户端编程实现（参见安装说明）：

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-3.1-70B-Instruct-AWQ-INT4",
  messages=[
    {"role": "system", "content": "你是一个乐于助人的助手。"},
    {"role": "user", "content": "什么是深度学习？"},
  ],
  max_tokens=128,
)

量化复现

[!注意] 要使用AutoAWQ量化Llama 3.1 70B Instruct，需要使用至少能容纳整个模型的CPU RAM实例（约140GiB），以及40GiB显存的NVIDIA GPU进行量化。

要量化Llama 3.1 70B Instruct，首先安装以下包：

pip install -q --upgrade transformers autoawq accelerate

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

from awq import AutoAWQForCausalLM
from transformers import AutoTokenizer

model_path = "meta-llama/Meta-Llama-3.1-70B-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",
}

# 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'模型已量化并保存在"{quant_path}"')