INT8 W8A8¶

vLLM 支持将权重和激活量化到 INT8，以节省内存并加速推理。这种量化方法在减小模型尺寸的同时保持良好性能方面特别有用。

注意

INT8 计算支持计算能力 > 7.5 的 NVIDIA GPU（Turing、Ampere、Ada Lovelace、Hopper）。

警告

Blackwell GPU 限制：计算能力 >= 100 的 GPU（例如 RTX 6000 Blackwell）不支持 INT8。请改用 FP8 量化，或在 Hopper/Ada/Ampere 架构上运行。

先决条件¶

要将 INT8 量化与 vLLM 一起使用，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 git+https://github.com/EleutherAI/lm-evaluation-harness.git@206b7722158f58c35b7ffcd53b035fdbdda5126d#egg=lm-eval[api]

量化过程¶

量化过程涉及四个主要步骤。

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¶

在将激活量化到 INT8 时，您需要样本数据来估算激活尺度。最好使用与您的部署数据密切匹配的校准数据。对于通用指令微调模型，您可以使用像 ultrachat 这样的数据集。

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 = [
    SmoothQuantModifier(smoothing_strength=0.8),
    GPTQModifier(targets="Linear", scheme="W8A8", 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-W8A8-Dynamic-Per-Token
SAVE_DIR = MODEL_ID.split("/")[1] + "-W8A8-Dynamic-Per-Token"
model.save_pretrained(SAVE_DIR, save_compressed=True)
tokenizer.save_pretrained(SAVE_DIR)

此过程将创建一个 W8A8 模型，其中权重和激活都量化为 8 位整数。

4. 评估准确性¶

量化后，您可以在 vLLM 中加载并运行模型。

from vllm import LLM

llm = LLM("./Meta-Llama-3-8B-Instruct-W8A8-Dynamic-Per-Token")

要评估准确性，您可以使用 lm_eval。

lm_eval --model vllm \
  --model_args pretrained="./Meta-Llama-3-8B-Instruct-W8A8-Dynamic-Per-Token",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 的存在敏感。在运行评估时，请务必包含 add_bos_token=True 参数。

最佳实践¶

从 512 个样本开始作为校准数据（如果准确性下降，请增加）。
以 2048 的序列长度作为起点。
使用模型训练时所用的聊天模板或指令模板。
如果您微调了模型，请考虑使用您的训练数据样本进行校准。

故障排除和支持¶

如果您遇到任何问题或有功能请求，请在 vllm-project/llm-compressor GitHub 存储库中创建一个 issue。