Version: Next

INT4 W4A16

vLLM 支持将权重量化为 INT4，以节省内存并加速推理。这种量化方法可以有效地在减小模型大小的同时，在每秒低查询的工作量中保持低延迟 (QPS)。

请访问可与 vLLM 一起使用的流行 LLM 的量化 INT4 检查点的 HF 集合。

注意**：** 计算能力> 8.0 的 NVIDIA GPU 支持 INT8 计算 (Ampere、Ada Lovelace、Hopper、 Blackwell)。

依赖

如需将 INT4 量化与 vLLM 结合使用，您需要安装 llm-compressor 库：

pip install llmcompressor

量化过程

量化过程涉及 4 个主要步骤：

加载模型
准备校准数据
应用量化
评估 vLLM 的准确性

1. 加载模型

使用标准 transformers AutoModel 类加载您的模型和 tokenizer。

from transformers import AutoTokenizer, AutoModelForCausalLM


MODEL_ID = "meta-llama/Meta-Llama-3-8B-Instruct"
model = AutoModelForCausalLM.from_pretrained(
    MODEL_ID, device_map="auto", torch_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并校准量表。最好使用与您部署数据密切匹配的校准数据。对于通用指令调整模型，您可以使用像 ultrachat 这样的数据集：

from datasets import load_dataset

NUM_CALIBRATION_SAMPLES = 512
MAX_SEQUENCE_LENGTH = 2048

# Load and preprocess the dataset
# 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：

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

# Configure the quantization algorithms
# 配置量化算法

recipe = GPTQModifier(targets="Linear", scheme="W4A16", ignore=["lm_head"])

# Apply quantization
# 应用量化

oneshot(
    model=model,
    dataset=ds,
    recipe=recipe,
    max_seq_length=MAX_SEQUENCE_LENGTH,
    num_calibration_samples=NUM_CALIBRATION_SAMPLES,
)

# Save the compressed model
# 保存压缩后的模型

SAVE_DIR = MODEL_ID.split("/")[1] + "-W4A16-G128"
model.save_pretrained(SAVE_DIR, save_compressed=True)
tokenizer.save_pretrained(SAVE_DIR)

此过程创建一个 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
model = 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'

注意量化模型可能对 bos token 的存在敏感。请确保在运行评估时包含 add_bos_token=True 参数。

最佳实践

以 512 个样本开始获取校准数据开始（如果精度下降则增加）
确保校准数据包含大量的样本，用以处理对特定用例的过拟合
使用序列长度 2048 作为起点
使用用于模型训练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 算法的影响力大小。较低的值可以提高精度，但可能导致数值不稳定，从而使算法失败。
- actorder：设置激活排序。在压缩层权重时，量化通道的顺序会影响结果。设置 actorder="weight" 可以在不增加延迟的情况下提高精度。

以下是您可以根据自己的使用案例调整的扩展量化配方示例：

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 存储库上提出问题。所有llm-compressor 的 INT4 量化示例可在此处获取。

依赖​

量化过程​

1. 加载模型​

2. 准备校准数据​

3. 应用量化​

4. 评估准确性​

最佳实践​

故障排除和支持​

依赖