GPTQModel

要创建新的 4 位或 8 位量化模型，您可以使用 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。

安装

您可以通过安装 GPTQModel 或从 Huggingface 上选择 5000 多个模型之一来量化您自己的模型。要安装该模型，请使用以下命令

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

量化

安装模型后，您可以对其进行量化。有关详细说明，请参阅 GPTQModel 文档。此示例显示了如何量化 meta-llama/Llama-3.2-1B-Instruct

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

使用 vLLM 的 Python API 使用模型

量化后的 GPTQModel 模型也直接通过 LLM 入口点得到支持

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)