INT8 W8A8¶

vLLM 支持将权重和激活量化为 INT8，以实现内存节省和推理加速。这种量化方法对于在保持良好性能的同时减小模型大小特别有用。

请访问 Hugging Face 上的适用于 vLLM 的流行 LLM 的量化 INT8 检查点集合。

Note

INT8 计算支持计算能力 > 7.5 的 NVIDIA GPU（图灵、安培、Ada Lovelace、霍珀架构）。

Warning

Blackwell GPU 限制：INT8 不支持计算能力 >= 100 的 GPU（例如 RTX 6000 Blackwell）。请改用 FP8 量化，或在霍珀/艾达/安培架构上运行。

先决条件¶

要在 vLLM 中使用 INT8 量化，您需要安装 llm-compressor 库：

pip install llmcompressor

此外，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：

加载模型
准备校准数据
应用量化
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¶

将激活量化为 INT8 时，您需要样本数据来估计激活比例。最好使用与您的部署数据密切匹配的校准数据。对于通用指令调优模型，您可以使用像 ultrachat 这样的数据集：

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 = [
    SmoothQuantModifier(smoothing_strength=0.8),
    GPTQModifier(targets="Linear", scheme="W8A8", 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-W8A8-Dynamic-Per-Token
SAVE_DIR = MODEL_ID.split("/")[1] + "-W8A8-Dynamic-Per-Token"
model.save_pretrained(SAVE_DIR, save_compressed=True)
tokenizer.save_pretrained(SAVE_DIR)

此过程会创建一个 W8A8 模型，其权重和激活都被量化为 8 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-W8A8-Dynamic-Per-Token")

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-W8A8-Dynamic-Per-Token",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。确保在运行评估时包含 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）
序列长度从 2048 开始作为起点
使用模型训练时使用的聊天模板或指令模板
如果您微调了模型，请考虑使用训练数据样本来进行校准

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。