AutoAWQ¶

⚠️ 警告： AutoAWQ 库已被弃用。该功能已被 vLLM 项目采纳，并集成在 llm-compressor 中。如需了解推荐的量化工作流程，请参阅 llm-compressor 中的 AWQ 示例。有关弃用的更多详情，请参阅原始的 AutoAWQ 仓库。

要创建一个新的 4 位量化模型，您可以使用 AutoAWQ。
量化将模型的精度从 BF16/FP16 降低到 INT4，从而有效减少模型的总内存占用。
主要优势包括更低的延迟和内存使用量。

您可以通过安装 AutoAWQ 来量化自己的模型，或者从 Huggingface 上的 6500+ 个模型中选择一个。

pip install autoawq

安装 AutoAWQ 后，您就可以准备量化模型了。更多详细信息，请参阅 AutoAWQ 文档。以下是如何量化 mistralai/Mistral-7B-Instruct-v0.2 的示例：

Code

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"}

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

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

# 保存量化后的模型
model.save_quantized(quant_path)
tokenizer.save_pretrained(quant_path)

print(f'模型已量化并保存至 "{quant_path}"')

要在 vLLM 中运行 AWQ 模型，您可以使用 TheBloke/Llama-2-7b-Chat-AWQ，命令如下：

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

AWQ 模型也直接支持通过 LLM 入口点运行：

Code

from vllm import LLM, SamplingParams

# 示例提示词。
prompts = [
    "Hello, my name is",
    "The president of the United States is",
    "The capital of France is",
    "The future of AI is",
]
# 创建采样参数对象。
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)

# 创建 LLM 实例。
llm = LLM(model="TheBloke/Llama-2-7b-Chat-AWQ", quantization="AWQ")
# 根据提示词生成文本。输出是一个 RequestOutput 对象列表，
# 包含提示词、生成的文本及其他信息。
outputs = llm.generate(prompts, sampling_params)
# 打印输出结果。
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"提示词: {prompt!r}, 生成文本: {generated_text!r}")