Skip to content

INT4 W4A16

vLLM 支持将权重量化为 INT4，以实现内存节省和推理加速。这种量化方法对于减小模型大小以及在每秒查询数 (QPS) 较低的工作负载中保持低延迟特别有用。

请访问 Hugging Face 上的 适用于 vLLM 的流行 LLM 的量化 INT4 检查点集合。

Note

INT4 计算功能支持计算能力 > 8.0 的 NVIDIA GPU（Ampere、Ada Lovelace、Hopper、Blackwell）。

先决条件

要在 vLLM 中使用 INT4 量化，您需要安装 llm-compressor 库：

pip install llmcompressor

此外，请安装 vllm 和 lm-evaluation-harness 以进行评估：

pip install vllm "lm-eval[api]>=0.4.9.2"

量化流程

量化流程包含四个主要步骤：

  1. 加载模型
  2. 准备校准数据
  3. 应用量化
  4. 在 vLLM 中评估准确性

1. 加载模型

使用标准的 transformers AutoModel 类加载您的模型和分词器：

from transformers import AutoTokenizer, AutoModelForCausalLM

MODEL_ID = "meta-llama/Meta-Llama-3-8B-Instruct"
model = AutoModelForCausalLM.from_pretrained(
    MODEL_ID,
    device_map="auto",
    dtype="auto",
)
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)

2. 准备校准数据

将权重量化为 INT4 时，您需要样本数据来估计权重更新和校准比例。 最好使用与您的部署数据非常接近的校准数据。 对于通用指令调优模型，您可以使用类似 ultrachat 的数据集：

Code 
from datasets import load_dataset

NUM_CALIBRATION_SAMPLES = 512
MAX_SEQUENCE_LENGTH = 2048

# 加载并预处理数据集
ds = load_dataset("HuggingFaceH4/ultrachat_200k", split="train_sft")
ds = ds.shuffle(seed=42).select(range(NUM_CALIBRATION_SAMPLES))

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

def tokenize(sample):
    return tokenizer(sample["text"], padding=False, max_length=MAX_SEQUENCE_LENGTH, truncation=True, add_special_tokens=False)
ds = ds.map(tokenize, remove_columns=ds.column_names)

3. 应用量化

现在，应用量化算法：

Code 
from llmcompressor import oneshot
from llmcompressor.modifiers.quantization import GPTQModifier
from llmcompressor.modifiers.smoothquant import SmoothQuantModifier

# 配置量化算法
recipe = GPTQModifier(targets="Linear", scheme="W4A16", ignore=["lm_head"])

# 应用量化
oneshot(
    model=model,
    dataset=ds,
    recipe=recipe,
    max_seq_length=MAX_SEQUENCE_LENGTH,
    num_calibration_samples=NUM_CALIBRATION_SAMPLES,
)

# 保存压缩模型：Meta-Llama-3-8B-Instruct-W4A16-G128
SAVE_DIR = MODEL_ID.split("/")[1] + "-W4A16-G128"
model.save_pretrained(SAVE_DIR, save_compressed=True)
tokenizer.save_pretrained(SAVE_DIR)

此过程会创建一个 W4A16 模型，其权重被量化为 4 位整数。

4. 评估准确性

量化后，您可以在 vLLM 中加载并运行模型：

from vllm import LLM

llm = LLM("./Meta-Llama-3-8B-Instruct-W4A16-G128")

要评估准确性，您可以使用 lm_eval：

lm_eval --model vllm \
  --model_args pretrained="./Meta-Llama-3-8B-Instruct-W4A16-G128",add_bos_token=true \
  --tasks gsm8k \
  --num_fewshot 5 \
  --limit 250 \
  --batch_size 'auto'

Note

量化模型可能对 bos 标记的存在很敏感。运行评估时，请务必包含 add_bos_token=True 参数。

最佳实践

  • 校准数据从 512 个样本开始，如果准确性下降，请增加样本数量
  • 确保校准数据包含高度多样化的样本，以防止过度拟合特定用例
  • 序列长度从 2048 开始
  • 使用模型训练时使用的聊天模板或指令模板
  • 如果您对模型进行了微调，请考虑使用训练数据样本来进行校准
  • 调整量化算法的关键超参数：
    • dampening_frac 设置 GPTQ 算法的影响程度。较低的值可以提高准确性，但可能导致数值不稳定，从而导致算法失败。
    • actorder 设置激活顺序。压缩层权重时，量化通道的顺序很重要。设置 actorder="weight" 可以在不增加延迟的情况下提高准确性。

以下是一个扩展的量化配方示例，您可以根据自己的用例进行调整：

Code 
from compressed_tensors.quantization import (
    QuantizationArgs,
    QuantizationScheme,
    QuantizationStrategy,
    QuantizationType,
) 
recipe = GPTQModifier(
    targets="Linear",
    config_groups={
        "config_group": QuantizationScheme(
            targets=["Linear"],
            weights=QuantizationArgs(
                num_bits=4,
                type=QuantizationType.INT,
                strategy=QuantizationStrategy.GROUP,
                group_size=128,
                symmetric=True,
                dynamic=False,
                actorder="weight",
            ),
        ),
    },
    ignore=["lm_head"],
    update_size=NUM_CALIBRATION_SAMPLES,
    dampening_frac=0.01,
)

故障排除和支持

如果您遇到任何问题或有功能请求，请在 vllm-project/llm-compressor GitHub 仓库中提出问题。llm-compressor 中的完整 INT4 量化示例可在此处找到。