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。