INT4 W4A16¶

vLLM 支持将权重量化为 INT4，以节省内存并加速推理。这种量化方法对于减小模型体积，以及在低每秒查询次数 (QPS) 的工作负载中保持低延迟特别有效。

请访问 HF 合集，获取可直接在 vLLM 中使用的流行 LLM 的 INT4 量化检查点。

注意

INT4 计算支持计算能力 > 8.0 的 NVIDIA GPU（Ampere、Ada Lovelace、Hopper、Blackwell 架构）。

先决条件¶

要在 vLLM 中使用 INT4 量化，您需要安装 llm-compressor 库。

pip install llmcompressor

此外，安装 vllm 和 lm-evaluation-harness 用于评估

pip install vllm "lm-eval[api]>=0.4.12"

量化过程¶

量化过程主要包含四个步骤：

加载模型
准备校准数据
应用量化
在 vLLM 中评估精度

1. 加载模型¶

使用标准的 transformers AutoModel 类加载您的模型和分词器

from transformers import AutoTokenizer, AutoModelForCausalLM

MODEL_ID = "meta-llama/Meta-Llama-3-8B-Instruct"
model = AutoModelForCausalLM.from_pretrained(
    MODEL_ID,
    device_map="auto",
    dtype="auto",
)
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)

2. 准备校准数据¶

将权重量化为 INT4 时，需要样本数据来估计权重更新和校准比例。最好使用与您的部署数据高度匹配的校准数据。对于通用的指令微调模型，您可以使用类似 ultrachat 的数据集。

代码

from datasets import load_dataset

NUM_CALIBRATION_SAMPLES = 512
MAX_SEQUENCE_LENGTH = 2048

# Load and preprocess the dataset
ds = load_dataset("HuggingFaceH4/ultrachat_200k", split="train_sft")
ds = ds.shuffle(seed=42).select(range(NUM_CALIBRATION_SAMPLES))

def preprocess(example):
    return {"text": tokenizer.apply_chat_template(example["messages"], tokenize=False)}
ds = ds.map(preprocess)

def tokenize(sample):
    return tokenizer(sample["text"], padding=False, max_length=MAX_SEQUENCE_LENGTH, truncation=True, add_special_tokens=False)
ds = ds.map(tokenize, remove_columns=ds.column_names)

3. 应用量化¶

现在，应用量化算法。

代码

from llmcompressor import oneshot
from llmcompressor.modifiers.quantization import GPTQModifier
from llmcompressor.modifiers.smoothquant import SmoothQuantModifier

# Configure the quantization algorithms
recipe = GPTQModifier(targets="Linear", scheme="W4A16", ignore=["lm_head"])

# Apply quantization
oneshot(
    model=model,
    dataset=ds,
    recipe=recipe,
    max_seq_length=MAX_SEQUENCE_LENGTH,
    num_calibration_samples=NUM_CALIBRATION_SAMPLES,
)

# Save the compressed model: Meta-Llama-3-8B-Instruct-W4A16-G128
SAVE_DIR = MODEL_ID.split("/")[1] + "-W4A16-G128"
model.save_pretrained(SAVE_DIR, save_compressed=True)
tokenizer.save_pretrained(SAVE_DIR)

该过程会创建一个权重已量化为 4 位整数的 W4A16 模型。

4. 评估准确性¶

量化后，您可以在 vLLM 中加载并运行该模型。

from vllm import LLM

llm = LLM("./Meta-Llama-3-8B-Instruct-W4A16-G128")

要评估准确性，可以使用 lm_eval。

lm_eval --model vllm \
  --model_args pretrained="./Meta-Llama-3-8B-Instruct-W4A16-G128",add_bos_token=true \
  --tasks gsm8k \
  --num_fewshot 5 \
  --limit 250 \
  --batch_size 'auto'

注意

量化模型可能对 bos token 的存在较为敏感。在运行评估时，请确保包含 add_bos_token=True 参数。

最佳实践¶

从 512 个校准数据样本开始，如果准确性下降，则增加样本量。
确保校准数据包含多样化的样本，以防止在特定用例上出现过拟合。
将 2048 的序列长度作为起始点。
使用模型训练时所采用的聊天模板或指令模板。
如果您对模型进行了微调，请考虑使用部分训练数据进行校准。
针对量化算法调整关键超参数。
- dampening_frac 设置 GPTQ 算法的影响程度。较小的值可以提高准确性，但可能导致数值不稳定，从而使算法失败。
- actorder 设置激活顺序。压缩层权重时，通道的量化顺序很重要。设置 actorder="weight" 可以在不增加额外延迟的情况下提高准确性。

以下是一个扩展量化方案的示例，您可以针对自己的用例进行调整：

代码

from compressed_tensors.quantization import (
    QuantizationArgs,
    QuantizationScheme,
    QuantizationStrategy,
    QuantizationType,
) 
recipe = GPTQModifier(
    targets="Linear",
    config_groups={
        "config_group": QuantizationScheme(
            targets=["Linear"],
            weights=QuantizationArgs(
                num_bits=4,
                type=QuantizationType.INT,
                strategy=QuantizationStrategy.GROUP,
                group_size=128,
                symmetric=True,
                dynamic=False,
                actorder="weight",
            ),
        ),
    },
    ignore=["lm_head"],
    update_size=NUM_CALIBRATION_SAMPLES,
    dampening_frac=0.01,
)

故障排除和支持¶

如果您遇到任何问题或有功能需求，请在 vllm-project/llm-compressor GitHub 仓库中提交 issue。完整的 llm-compressor INT4 量化示例可在此处查看。