模型准备
文本生成推理在几个方面对模型进行了改进。
量化
TGI 支持 bits-and-bytes、GPT-Q、AWQ、Marlin、EETQ、EXL2 和 fp8 量化。为了使用量化加速推理,只需将 quantize
标志设置为 bitsandbytes
、gptq
、awq
、marlin
、exl2
、eetq
或 fp8
,具体取决于您要使用的量化技术。使用 GPT-Q 量化时,您需要指向 此处 的其中一个模型。类似地,使用 AWQ 量化时,您需要指向 这些模型 之一。要获得有关量化的更多信息,请参阅 量化指南
RoPE 缩放
RoPE 缩放可用于在推理时增加模型的序列长度,而无需对其进行微调。要启用 RoPE 缩放,只需在通过 CLI 运行时传递 --rope-scaling
、--max-input-length
和 --rope-factors
标志即可。--rope-scaling
可以取值 linear
或 dynamic
。如果您的模型没有针对更长的序列长度进行微调,请使用 dynamic
。--rope-factor
是目标最大序列长度与模型原始最大序列长度之间的比率。请确保传递 --max-input-length
以提供扩展的最大输入长度。
我们建议使用 dynamic
RoPE 缩放。
Safetensors
Safetensors 是一种用于深度学习模型的快速安全持久化格式,是张量并行的必要条件。TGI 支持在后台加载 safetensors
模型。默认情况下,在具有 safetensors
和 pytorch
权重的存储库中,TGI 将始终加载 safetensors
。如果没有 pytorch
权重,TGI 将会将权重转换为 safetensors
格式。