利用llama.cpp量化部署Llama-3-Chinese-8B-Instruct大模型

相关大模型项目：https://github.com/ymcui/Chinese-LLaMA-Alpaca-3

量化部署是将机器学习模型压缩以减少内存占用和计算成本的过程。本文将详细介绍如何使用llama.cpp工具进行模型量化并在本地部署。

环境准备

首先，确保你的系统满足以下要求：

编译工具：

Python：

此外，推荐使用经过指令精调的Llama-3-Chinese-Instruct模型，并选择6-bit或8-bit的量化版本，以获得最佳效果。

步骤一：克隆和编译llama.cpp

重要提示：llama.cpp在2024年4月30日对Llama-3 pre-tokenizer进行了重大改动，请务必拉取最新代码进行编译。

如果你已下载旧版仓库，建议执行以下命令更新代码并清理旧文件：

$ git pull
$ make clean

克隆最新版llama.cpp仓库代码：

$ git clone https://github.com/ggerganov/llama.cpp

编译llama.cpp项目，生成./main（用于推理）和./quantize（用于量化）二进制文件：

$ make

启用GPU推理：

Windows/Linux用户：可与BLAS（或cuBLAS）一起编译，以提高处理速度。以下是与cuBLAS一起编译的命令：

$ make LLAMA_CUDA=1

macOS用户：无需额外操作，llama.cpp已对ARM NEON进行优化，并默认启用BLAS。M系列芯片用户可使用Metal启用GPU推理，只需将编译命令改为：

$ LLAMA_METAL=1 make

步骤二：生成量化版本模型

你可以直接下载已量化好的GGUF模型：下载地址。

此外，llama.cpp支持将.safetensors文件和Hugging Face格式的.bin文件转换为FP16的GGUF格式。具体命令如下：

$ python convert-hf-to-gguf.py llama-3-chinese-8b-instruct
$ ./quantize llama-3-chinese-instruct-8b/ggml-model-f16.gguf llama-3-chinese-8b-instruct/ggml-model-q4_0.gguf q4_0

步骤三：加载并启动模型

由于Llama-3-Chinese-Instruct模型使用了原版Llama-3-Instruct的指令模板，请将scripts/llama_cpp/chat.sh拷贝至llama.cpp的根目录。chat.sh文件内容如下，可根据需要进行修改：

FIRST_INSTRUCTION=$2
SYSTEM_PROMPT="You are a helpful assistant. 你是一个乐于助人的助手。"

./main -m $1 --color -i \
-c 0 -t 6 --temp 0.2 --repeat_penalty 1.1 -ngl 999 \
-r '' \
--in-prefix 'user\n\n' \
--in-suffix 'assistant\n\n' \
-p "system\n\n$SYSTEM_PROMPTuser\n\n$FIRST_INSTRUCTIONassistant\n\n"

使用以下命令启动聊天：

$ chmod +x chat.sh
$ ./chat.sh ggml-model-q4_0.gguf 你好

在提示符 > 后输入你的prompt，按 cmd/ctrl+c 中断输出，多行信息以\作为行尾。查看帮助和参数说明请执行./main -h命令。

更多详细说明请参考：官方文档。

通过以上步骤，你可以成功在本地量化并部署Llama-3模型，享受高效的AI模型推理体验。