AWQ

激活感知权重量化 (AWQ) 保留了少量对 LLM 性能至关重要的权重，以将模型压缩到 4 位，同时最大限度地减少性能下降。

有几个库可用于使用 AWQ 算法量化模型，例如 llm-awq、autoawq 或 optimum-intel。Transformers 支持加载使用 llm-awq 和 autoawq 库量化的模型。本指南将向您展示如何加载使用 autoawq 量化的模型，但对于 llm-awq 量化的模型，过程类似。

运行以下命令安装 autoawq

pip install autoawq

AutoAWQ 会将 Transformers 降级到 4.47.1 版本。如果您想使用 AutoAWQ 进行推理，您可能需要在安装 AutoAWQ 后重新安装您的 Transformers 版本。

通过检查模型 config.json 文件中的 quant_method 键来识别 AWQ 量化模型。

{
  "_name_or_path": "/workspace/process/huggingfaceh4_zephyr-7b-alpha/source",
  "architectures": [
    "MistralForCausalLM"
  ],
  ...
  ...
  ...
  "quantization_config": {
    "quant_method": "awq",
    "zero_point": true,
    "group_size": 128,
    "bits": 4,
    "version": "gemm"
  }
}

使用 from_pretrained() 加载 AWQ 量化模型。出于性能原因，这会自动将其他权重默认设置为 fp16。使用 torch_dtype 参数以不同的格式加载这些其他权重。

如果模型在 CPU 上加载，请使用 device_map 参数将其移动到 GPU。

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model = AutoModelForCausalLM.from_pretrained(
  "TheBloke/zephyr-7B-alpha-AWQ",
  torch_dtype=torch.float32,
  device_map="cuda:0"
)

使用 attn_implementation 启用 FlashAttention2 以进一步加速推理。

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
  "TheBloke/zephyr-7B-alpha-AWQ",
  attn_implementation="flash_attention_2",
  device_map="cuda:0"
)

融合模块

融合模块提供更高的准确性和性能。它们开箱即用地支持 Llama 和 Mistral 架构的 AWQ 模块，但您也可以为不受支持的架构融合 AWQ 模块。

融合模块不能与其他优化技术（如 FlashAttention2）结合使用。

支持的架构

不支持的架构

创建一个 AwqConfig 并设置参数 fuse_max_seq_len 和 do_fuse=True 以启用融合模块。fuse_max_seq_len 参数是总序列长度，它应包括上下文长度和预期的生成长度。将其设置为较大的值以确保安全。

以下示例融合了 TheBloke/Mistral-7B-OpenOrca-AWQ 模型的 AWQ 模块。

import torch
from transformers import AwqConfig, AutoModelForCausalLM

quantization_config = AwqConfig(
    bits=4,
    fuse_max_seq_len=512,
    do_fuse=True,
)
model = AutoModelForCausalLM.from_pretrained(
  "TheBloke/Mistral-7B-OpenOrca-AWQ",
  quantization_config=quantization_config
).to(0)

TheBloke/Mistral-7B-OpenOrca-AWQ 模型在 batch_size=1 的情况下进行了基准测试，无论是否使用融合模块。

非融合模块

批大小	预填充长度	解码长度	预填充 tokens/秒	解码 tokens/秒	内存 (VRAM)
1	32	32	60.0984	38.4537	4.50 GB (5.68%)
1	64	64	1333.67	31.6604	4.50 GB (5.68%)
1	128	128	2434.06	31.6272	4.50 GB (5.68%)
1	256	256	3072.26	38.1731	4.50 GB (5.68%)
1	512	512	3184.74	31.6819	4.59 GB (5.80%)
1	1024	1024	3148.18	36.8031	4.81 GB (6.07%)
1	2048	2048	2927.33	35.2676	5.73 GB (7.23%)

融合模块

批大小	预填充长度	解码长度	预填充 tokens/秒	解码 tokens/秒	内存 (VRAM)
1	32	32	81.4899	80.2569	4.00 GB (5.05%)
1	64	64	1756.1	106.26	4.00 GB (5.05%)
1	128	128	2479.32	105.631	4.00 GB (5.06%)
1	256	256	1813.6	85.7485	4.01 GB (5.06%)
1	512	512	2848.9	97.701	4.11 GB (5.19%)
1	1024	1024	3044.35	87.7323	4.41 GB (5.57%)
1	2048	2048	2715.11	89.4709	5.57 GB (7.04%)

融合和非融合模块的速度和吞吐量也使用 optimum-benchmark 库进行了测试。

前向峰值内存/批大小

生成吞吐量/批大小

ExLlamaV2

ExLlamaV2 内核支持更快的预填充和解码。运行以下命令安装最新版本的支持 ExLlamaV2 的 autoawq。

pip install git+https://github.com/casper-hansen/AutoAWQ.git

在 AwqConfig 中设置 version="exllama" 以启用 ExLlamaV2 内核。

ExLlamaV2 在 AMD GPU 上受支持。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, AwqConfig

quantization_config = AwqConfig(version="exllama")

model = AutoModelForCausalLM.from_pretrained(
    "TheBloke/Mistral-7B-Instruct-v0.1-AWQ",
    quantization_config=quantization_config,
    device_map="auto",
)

CPU

Intel Extension for PyTorch (IPEX) 旨在在 Intel 硬件上实现性能优化。运行以下命令安装最新版本的支持 IPEX 的 autoawq。

pip install intel-extension-for-pytorch # for IPEX-GPU refer to https://intel.github.io/intel-extension-for-pytorch/xpu/2.5.10+xpu/ 
pip install git+https://github.com/casper-hansen/AutoAWQ.git

在 AwqConfig 中设置 version="ipex" 以启用 ExLlamaV2 内核。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, AwqConfig

device = "cpu" # set to "xpu" for Intel GPU
quantization_config = AwqConfig(version="ipex")

model = AutoModelForCausalLM.from_pretrained(
    "TheBloke/TinyLlama-1.1B-Chat-v0.3-AWQ",
    quantization_config=quantization_config,
    device_map=device,
)

资源

运行 AWQ 演示 notebook，了解有关如何量化模型、将量化模型推送到 Hub 等的更多示例。

< > 在 GitHub 上更新