🚀 Meta-Llama-3.1-70B-Instruct量化模型（w8a8）

本模型是 Meta-Llama-3.1-70B-Instruct 的量化版本，通过将权重量化为INT8数据类型，降低了GPU内存需求和磁盘空间要求，同时提高了矩阵乘法的计算吞吐量。该模型在多种语言的商业和研究场景中表现出色，适用于类似助手的聊天场景。

🚀 快速开始

你可以使用 vLLM 后端高效部署此模型，以下是一个示例代码：

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "neuralmagic/Meta-Llama-3.1-70B-Instruct-quantized.w8a8"
number_gpus = 2
max_model_len = 8192

sampling_params = SamplingParams(temperature=0.6, top_p=0.9, max_tokens=256)

tokenizer = AutoTokenizer.from_pretrained(model_id)

messages = [
    {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
    {"role": "user", "content": "Who are you?"},
]

prompts = tokenizer.apply_chat_template(messages, add_generation_prompt=True, tokenize=False)

llm = LLM(model=model_id, tensor_parallel_size=number_gpus, max_model_len=max_model_len)

outputs = llm.generate(prompts, sampling_params)

generated_text = outputs[0].outputs[0].text
print(generated_text)

vLLM 还支持与 OpenAI 兼容的服务，更多详细信息请参阅 文档。

✨ 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。
• 模型优化：采用 INT8 激活量化和权重量化，减少了 GPU 内存需求（约 50%），提高了矩阵乘法计算吞吐量（约 2 倍），同时也减少了磁盘空间需求（约 50%）。
• 高性能表现：在多个基准测试中，该量化模型与未量化的 Meta-Llama-3.1-70B-Instruct 模型表现相近，恢复率较高。

📦 安装指南

文档未提供具体安装步骤，暂不展示。

💻 使用示例

基础用法

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "neuralmagic/Meta-Llama-3.1-70B-Instruct-quantized.w8a8"
number_gpus = 2
max_model_len = 8192

sampling_params = SamplingParams(temperature=0.6, top_p=0.9, max_tokens=256)

tokenizer = AutoTokenizer.from_pretrained(model_id)

messages = [
    {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
    {"role": "user", "content": "Who are you?"},
]

prompts = tokenizer.apply_chat_template(messages, add_generation_prompt=True, tokenize=False)

llm = LLM(model=model_id, tensor_parallel_size=number_gpus, max_model_len=max_model_len)

outputs = llm.generate(prompts, sampling_params)

generated_text = outputs[0].outputs[0].text
print(generated_text)

高级用法

# 此模型的创建过程示例
from transformers import AutoTokenizer, AutoModelForCausalLM
from datasets import load_dataset
from llmcompressor.transformers import SparseAutoModelForCausalLM, oneshot
from llmcompressor.modifiers.quantization import GPTQModifier
from llmcompressor.transformers.compression.helpers import calculate_offload_device_map

model_stub = "meta-llama/Meta-Llama-3.1-70B-Instruct"
model_name = model_stub.split("/")[-1]

num_samples = 256
max_seq_len = 8192

tokenizer = AutoTokenizer.from_pretrained(model_id)

def preprocess_fn(example):
  return {"text": tokenizer.apply_chat_template(example["messages"], add_generation_prompt=False, tokenize=False)}

ds = load_dataset("neuralmagic/LLM_compression_calibration", split="train")
ds = ds.map(preprocess_fn)

recipe = GPTQModifier(
    targets="Linear",
    scheme="W8A8",
    ignore=["lm_head"],
    dampening_frac=0.1,
)

device_map = calculate_offload_device_map(
    model_stub,
    reserve_for_hessians=True,
    num_gpus=2,
    torch_dtype="auto",
)

model = AutoModelForCausalLM.from_pretrained(
    model_stub,
    device_map="auto",
    dtype="auto",
)

oneshot(
    model=model,
    dataset=ds,
    recipe=recipe,
    max_seq_length=max_seq_len,
    num_calibration_samples=num_samples,
)


save_path = model_name + "-quantized.w8a8"
model.save_pretrained(save_path)
tokenizer.save_pretrained(save_path)
print(f"Model and tokenizer saved to: {save_path}")

📚 详细文档

模型概述

• 模型架构：LlamaForCausalLM
  • 输入：文本
  • 输出：文本
• 模型优化：
  • 激活量化：INT8
  • 权重量化：INT8
• 预期用例：适用于多种语言的商业和研究用途，与 Meta-Llama-3.1-70B-Instruct 类似，该模型用于类似助手的聊天场景。
• 适用范围外：禁止以任何违反适用法律法规（包括贸易合规法律）的方式使用。
• 发布日期：2024 年 7 月 29 日
• 版本：1.0
• 许可证：Llama3.1
• 模型开发者：Neural Magic

模型优化

该模型通过将 Meta-Llama-3.1-70B-Instruct 的权重量化为 INT8 数据类型获得。这种优化将表示权重和激活的位数从 16 位减少到 8 位，降低了 GPU 内存需求（约 50%），提高了矩阵乘法的计算吞吐量（约 2 倍）。权重量化还将磁盘空间需求减少了约 50%。

仅对 Transformer 块内线性算子的权重和激活进行量化。权重采用对称静态每通道方案进行量化，为每个输出通道维度在 INT8 和浮点表示之间应用固定的线性缩放因子。激活采用对称动态每令牌方案进行量化，在运行时为每个令牌计算 INT8 和浮点表示之间的线性缩放因子。量化使用 GPTQ 算法，该算法在 llm-compressor 库中实现。GPTQ 使用 10% 的阻尼因子和从 Neural Magic 的 LLM 压缩校准数据集 中选取的 256 个序列。

模型部署

此模型可以使用 vLLM 后端高效部署。

模型创建

该模型使用 llm-compressor 库创建，具体代码见上文高级用法示例。

模型评估

该模型在著名的 Arena-Hard、OpenLLM v1、OpenLLM v2、HumanEval 和 HumanEval+ 基准测试中进行了评估。所有情况下，模型输出均使用 vLLM 引擎生成。

• Arena-Hard 评估：使用 Arena-Hard-Auto 仓库进行。模型为 Arena-Hard 中的每个提示生成一个答案，每个答案由 GPT-4 评判两次。
• OpenLLM v1 和 v2 评估：使用 Neural Magic 对 lm-evaluation-harness 的分支（llama_3.1_instruct）进行。此版本的 lm-evaluation-harness 包含与 Meta-Llama-3.1-Instruct-evals 提示风格匹配的 MMLU、ARC-Challenge 和 GSM-8K 版本，并对 OpenLLM v2 任务进行了一些修复。
• HumanEval 和 HumanEval+ 评估：使用 Neural Magic 对 EvalPlus 仓库的分支进行。

详细的模型输出可作为 HuggingFace 数据集获取，分别为 Arena-Hard、OpenLLM v2 和 HumanEval。

注意：在 Meta 修改聊天模板后，结果已更新。

准确性

复现结果

可以使用以下命令复现评估结果：

MMLU

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/Meta-Llama-3.1-70B-Instruct-quantized.w8a8",dtype=auto,max_model_len=3850,max_gen_toks=10,tensor_parallel_size=1 \
  --tasks mmlu_llama_3.1_instruct \
  --fewshot_as_multiturn \
  --apply_chat_template \
  --num_fewshot 5 \
  --batch_size auto

MMLU-CoT

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/Meta-Llama-3.1-70B-Instruct-quantized.w8a8",dtype=auto,max_model_len=4064,max_gen_toks=1024,tensor_parallel_size=1 \
  --tasks mmlu_cot_0shot_llama_3.1_instruct \
  --apply_chat_template \
  --num_fewshot 0 \
  --batch_size auto

ARC-Challenge

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/Meta-Llama-3.1-70B-Instruct-quantized.w8a8",dtype=auto,max_model_len=3940,max_gen_toks=100,tensor_parallel_size=1 \
  --tasks arc_challenge_llama_3.1_instruct \
  --apply_chat_template \
  --num_fewshot 0 \
  --batch_size auto

GSM-8K

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/Meta-Llama-3.1-70B-Instruct-quantized.w8a8",dtype=auto,max_model_len=4096,max_gen_toks=1024,tensor_parallel_size=1 \
  --tasks gsm8k_cot_llama_3.1_instruct \
  --fewshot_as_multiturn \
  --apply_chat_template \
  --num_fewshot 8 \
  --batch_size auto

Hellaswag

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/Meta-Llama-3.1-70B-Instruct-quantized.w8a8",dtype=auto,add_bos_token=True,max_model_len=4096,tensor_parallel_size=1 \
  --tasks hellaswag \
  --num_fewshot 10 \
  --batch_size auto

Winogrande

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/Meta-Llama-3.1-70B-Instruct-quantized.w8a8",dtype=auto,add_bos_token=True,max_model_len=4096,tensor_parallel_size=1 \
  --tasks winogrande \
  --num_fewshot 5 \
  --batch_size auto

TruthfulQA

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/Meta-Llama-3.1-70B-Instruct-quantized.w8a8",dtype=auto,add_bos_token=True,max_model_len=4096,tensor_parallel_size=1 \
  --tasks truthfulqa \
  --num_fewshot 0 \
  --batch_size auto

OpenLLM v2

lm_eval \
  --model vllm \
  --model_args pretrained="neuralmagic/Meta-Llama-3.1-70B-Instruct-quantized.w8a8",dtype=auto,max_model_len=4096,tensor_parallel_size=1",enable_chunked_prefill=True \
  --apply_chat_template \
  --fewshot_as_multiturn \
  --tasks leaderboard \
  --batch_size auto

HumanEval 和 HumanEval+

生成

python3 codegen/generate.py \
  --model neuralmagic/Meta-Llama-3.1-70B-Instruct-quantized.w8a8 \
  --bs 16 \
  --temperature 0.2 \
  --n_samples 50 \
  --root "." \
  --dataset humaneval

清理

python3 evalplus/sanitize.py \
  humaneval/neuralmagic--Meta-Llama-3.1-70B-Instruct-quantized.w8a8_vllm_temp_0.2

评估

evalplus.evaluate \
  --dataset humaneval \
  --samples humaneval/neuralmagic--Meta-Llama-3.1-70B-Instruct-quantized.w8a8_vllm_temp_0.2-sanitized

🔧 技术细节

该模型的技术细节主要体现在量化过程中。仅对 Transformer 块内线性算子的权重和激活进行量化。权重采用对称静态每通道方案进行量化，为每个输出通道维度在 INT8 和浮点表示之间应用固定的线性缩放因子。激活采用对称动态每令牌方案进行量化，在运行时为每个令牌计算 INT8 和浮点表示之间的线性缩放因子。量化使用 GPTQ 算法，该算法在 llm-compressor 库中实现。GPTQ 使用 10% 的阻尼因子和从 Neural Magic 的 LLM 压缩校准数据集 中选取的 256 个序列。

📄 许可证

本模型使用 Llama3.1 许可证。