GPTQModel

要创建新的 4 位或 8 位 GPTQ 量化模型，您可以利用 ModelCloud.AI 的 GPTQModel。

量化将模型的精度从 BF16/FP16（16 位）降低到 INT4（4 位）或 INT8（8 位），这显著减少了模型的总内存占用，同时提高了推理性能。

兼容的 GPTQModel 量化模型可以利用 vLLM 自定义的 Marlin 和 Machete 内核，从而最大限度地提高 Ampere (A100+) 和 Hopper (H100+) Nvidia GPU 的每秒批量事务处理量 (tps) 和 token 延迟性能。这两个内核经过 vLLM 和 NeuralMagic（现为 Redhat 的一部分）的高度优化，可为量化 GPTQ 模型提供世界级的推理性能。

GPTQModel 是世界上少数允许按模块进行 动态 量化的工具包之一，它允许使用自定义量化参数进一步优化 LLM 模型中不同的层和/或模块。动态 量化已完全集成到 vLLM 中，并得到 ModelCloud.AI 团队的支持。有关此功能和其他高级功能的更多详细信息，请参阅 GPTQModel README。

安装

您可以通过安装 GPTQModel 或从 Huggingface 上的 5000 多个模型中选择一个来量化自己的模型。

pip install -U gptqmodel --no-build-isolation -v

量化模型

安装 GPTQModel 后，您就可以开始量化模型了。有关更多详细信息，请参阅 GPTQModel README。

以下是如何量化 meta-llama/Llama-3.2-1B-Instruct 的示例

from datasets import load_dataset
from gptqmodel import GPTQModel, QuantizeConfig

model_id = "meta-llama/Llama-3.2-1B-Instruct"
quant_path = "Llama-3.2-1B-Instruct-gptqmodel-4bit"

calibration_dataset = load_dataset(
    "allenai/c4",
    data_files="en/c4-train.00001-of-01024.json.gz",
    split="train"
  ).select(range(1024))["text"]

quant_config = QuantizeConfig(bits=4, group_size=128)

model = GPTQModel.load(model_id, quant_config)

# increase `batch_size` to match gpu/vram specs to speed up quantization
model.quantize(calibration_dataset, batch_size=2)

model.save(quant_path)

使用 vLLM 运行量化模型

要使用 vLLM 运行 GPTQModel 量化模型，您可以使用 DeepSeek-R1-Distill-Qwen-7B-gptqmodel-4bit-vortex-v2，命令如下：

python examples/offline_inference/llm_engine_example.py \
    --model ModelCloud/DeepSeek-R1-Distill-Qwen-7B-gptqmodel-4bit-vortex-v2

在 vLLM 的 Python API 中使用 GPTQModel

GPTQModel 量化模型也直接通过 LLM 入口点支持

from vllm import LLM, SamplingParams

# Sample prompts.
prompts = [
    "Hello, my name is",
    "The president of the United States is",
    "The capital of France is",
    "The future of AI is",
]

# Create a sampling params object.
sampling_params = SamplingParams(temperature=0.6, top_p=0.9)

# Create an LLM.
llm = LLM(model="ModelCloud/DeepSeek-R1-Distill-Qwen-7B-gptqmodel-4bit-vortex-v2")

# Generate texts from the prompts. The output is a list of RequestOutput objects
# that contain the prompt, generated text, and other information.
outputs = llm.generate(prompts, sampling_params)

# Print the outputs.
print("-"*50)
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}\nGenerated text: {generated_text!r}")
    print("-"*50)