AutoAWQ

警告

请注意，vLLM 中的 AWQ 支持目前尚未优化。我们建议使用模型的非量化版本以获得更好的准确性和更高的吞吐量。目前，您可以使用 AWQ 作为一种减少内存占用的方法。目前，它更适合于低延迟推理，且并发请求数量较少的情况。vLLM 的 AWQ 实现吞吐量低于非量化版本。

要创建一个新的4位量化模型，你可以利用 AutoAWQ。量化将模型的精度从FP16降低到INT4，从而有效地将文件大小减少约70%。主要的好处是降低了延迟和内存使用。

你可以通过安装 AutoAWQ 或选择 Huggingface 上的 400+ 模型 来量化你自己的模型。

$ pip install autoawq

安装 AutoAWQ 后，您就可以开始量化模型了。以下是如何量化 mistralai/Mistral-7B-Instruct-v0.2 的示例：

from awq import AutoAWQForCausalLM
from transformers import AutoTokenizer

model_path = 'mistralai/Mistral-7B-Instruct-v0.2'
quant_path = 'mistral-instruct-v0.2-awq'
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, trust_remote_code=True)

# 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}"')

要使用 vLLM 运行 AWQ 模型，可以使用以下命令使用 TheBloke/Llama-2-7b-Chat-AWQ：

$ python examples/llm_engine_example.py --model TheBloke/Llama-2-7b-Chat-AWQ --quantization awq

AWQ 模型也通过 LLM 入口点直接支持：

from vllm import LLM, SamplingParams

# Sample prompts.
prompts = [
    "Hello, my name is",
    "The president of the United States is",
    "The capital of France is",
    "The future of AI is",
]
# Create a sampling params object.
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)

# Create an LLM.
llm = LLM(model="TheBloke/Llama-2-7b-Chat-AWQ", quantization="AWQ")
# Generate texts from the prompts. The output is a list of RequestOutput objects
# that contain the prompt, generated text, and other information.
outputs = llm.generate(prompts, sampling_params)
# Print the outputs.
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")