许可证：apache-2.0
基础模型：

• meta-llama/Meta-Llama-3.1-8B-Instruct
  基础模型关系：量化版本
  任务标签：文本生成
  支持语言：
• 中文
• 英语
• 法语
• 西班牙语
• 葡萄牙语
• 德语
• 意大利语
• 俄语
• 日语
• 韩语
• 越南语
• 泰语
• 阿拉伯语

弹性模型：Meta-Llama-3.1-8B-Instruct —— 自部署场景下最快、最灵活的模型

弹性模型由TheStage AI的ANNA（自动化神经网络加速器）生成。通过简单滑动控制条，即可调节模型大小、延迟和质量。ANNA为每个模型生成以下优化版本：

• XL：数学等效的神经网络，经DNN编译器优化。
• L：近乎无损模型，基准测试性能下降小于1%。
• M：速度更快的模型，精度下降小于1.5%。
• S：最快模型，精度下降小于2%。

弹性模型目标：

• 为推理提供成本与质量的灵活选择
• 提供清晰的性能和延迟基准
• 兼容HF库（transformers/diffusers），一行代码即可调用
• 支持多硬件平台，预编译无需即时编译（JIT）
• 为自托管场景提供最佳模型与服务

注意：具体质量损失因模型而异。例如S模型可能仅损失0.5%精度。

推理部署

只需将transformers替换为elastic_models.transformers即可调用：

import torch  
from transformers import AutoTokenizer  
from elastic_models.transformers import AutoModelForCausalLM  

# 当前需提供HF token以加载部分原始权重和配置  
model_name = "meta-llama/Meta-Llama-3.1-8B-Instruct"  
hf_token = ''  
device = torch.device("cuda")  

# 初始化模型  
tokenizer = AutoTokenizer.from_pretrained(model_name, token=hf_token)  
model = AutoModelForCausalLM.from_pretrained(  
    model_name,  
    token=hf_token,  
    torch_dtype=torch.bfloat16,  
    attn_implementation="sdpa",  
    mode='S'  # 选择S/M/L/XL版本  
).to(device)  
model.generation_config.pad_token_id = tokenizer.eos_token_id  

# 与transformers库相同的推理流程  
prompt = "解释DNN量化的基本原理。"  
messages = [  
    {"role": "system", "content": "你是一个搜索引擎，回答用户查询。"},  
    {"role": "user", "content": prompt}  
]  

chat_prompt = tokenizer.apply_chat_template(messages, add_generation_prompt=True, tokenize=False)  
inputs = tokenizer(chat_prompt, return_tensors="pt").to(device)  

with torch.inference_mode():  
    generate_ids = model.generate(**inputs, max_length=500)  

output = tokenizer.batch_decode(  
    generate_ids[:, inputs['input_ids'].shape[1]:],  
    skip_special_tokens=True  
)[0]  

print(f"# 问题:\n{prompt}\n")  
print(f"# 回答:\n{output}\n")  

系统要求：

• GPU：H100/L40s
• CPU：AMD/Intel
• Python：3.10-3.12

安装命令：

pip install thestage  
pip install elastic_models[nvidia] --index-url https://thestage.jfrog.io/artifactory/api/pypi/pypi-thestage-ai-production/simple --extra-index-url https://pypi.nvidia.com --extra-index-url https://pypi.org/simple  
pip install flash_attn==2.7.3 --no-build-isolation  
pip uninstall apex  

登录app.thestage.ai获取API令牌并配置：

thestage config set --api-token <您的API令牌>  

性能基准

我们提供透明的加速模型性能指标。W8A8, int8列表示对所有线性层应用8位权值/激活量化，使用与ANNA相同的校准数据。S模型在保持速度的同时显著提升质量！

质量基准

• MMLU：评估57个学科的综合知识能力
• PIQA：测试物理常识推理能力
• Arc挑战赛：衡量小学水平复杂推理能力
• Winogrande：评估上下文消歧能力

延迟基准

输入100/输出300词元时的吞吐量（词元/秒）

相关链接

• 平台入口：app.thestage.ai
• 更新订阅：TheStageAI X账号
• 联系邮箱：contact@thestage.ai