/ Модель

Характеристики

Контекст
8 192 токена
Параметры
88,5 млн
Размер весов
156 МБ
Лицензия
Своя лицензия
Архитектура
llama · dense
Опубликована
21 ноя 2024

Llama-3.1-8B-Instruct-FastDraft-150M-int8-ov

Генерация текстаТекст → текст3 профессии

Черновая модель Intel Labs для ускорения генерации Meta-Llama-3.1-8B-Instruct с помощью спекулятивного декодирования в OpenVINO.

173скачиваний за 30 дней10лайковвеса обновлены16 дек 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это компактная черновая языковая модель FastDraft, разработанная Intel Labs для ускорения вывода Meta-Llama-3.1-8B-Instruct методом спекулятивного декодирования. Модель предварительно обучена и дообучена на синтетических данных, сгенерированных целевой моделью, чтобы предлагать черновые продолжения для проверки основной моделью.

Репозиторий содержит вариант Llama-3.1-8B-Instruct-FastDraft-150M в формате OpenVINO IR с весами, сжатыми до INT8 методом NNCF. Архитектура — плотная LlamaForCausalLM; метаданные указывают 88,5 млн параметров и контекст до 8192 токенов. Предназначена для использования вместе с целевой Llama-3.1-8B-Instruct через OpenVINO GenAI; сама по себе не заменяет основную модель и не предназначена для самостоятельного диалога.

Совместимость заявлена с OpenVINO 2024.5 и новее и Optimum Intel 1.20.0 и новее. В README не перечислены поддерживаемые естественные языки. Модель распространяется по Intel Research Use License Agreement; условия лицензии следует учитывать при внедрении.

Сценарии применения

  • ускорение генерации текста моделью Meta-Llama-3.1-8B-Instruct
  • спекулятивное декодирование в приложениях на OpenVINO GenAI
  • подготовка черновых продолжений для проверки целевой Llama

Ограничения

Модель предназначена для работы в паре с Meta-Llama-3.1-8B-Instruct и не заменяет её как самостоятельная модель. Для запуска требуются совместимые версии OpenVINO и Optimum Intel; распространение ограничено лицензией Intel Research Use License Agreement.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Llama-3.1-8B-Instruct-FastDraft-150M-int8-ov

Description

FastDraft is a novel and efficient approach for pre-training and aligning a draft model to any LLM to be used with speculative decoding, by incorporating efficient pre-training followed by fine-tuning over synthetic datasets generated by the target model. FastDraft was presented in the paper at ENLSP@NeurIPS24 by Intel Labs.

This is a draft model that was trained with FastDraft to accompany Meta-Llama-3.1-8B-Instruct.

This is Llama-3.1-8B-Instruct-FastDraft-150M model converted to the OpenVINO™ IR (Intermediate Representation) format with weights compressed to int8 by NNCF.

Quantization Parameters

Weight compression was performed using nncf.compress_weights with the following parameters:

  • mode: INT8_ASYM

For more information on quantization, check the OpenVINO model optimization guide.

Compatibility

The provided OpenVINO™ IR model is compatible with:

  • OpenVINO version 2024.5 and higher
  • Optimum Intel 1.20.0 and higher

Running Model Inference with OpenVINO GenAI

  1. Install packages required for using OpenVINO GenAI with Speculative decoding:
pip install -U "openvino-genai>=2024.5" huggingface_hub
  1. Download and convert main model and tokenizer

Note: For downloading model, you will need to accept license agreement. You must be a registered user in 🤗 Hugging Face Hub. Please visit HuggingFace model card, carefully read terms of usage and click accept button. You will need to use an access token for the code below to run. For more information on access tokens, refer to this section of the documentation.

pip install optimum-intel[openvino]

optimum-cli export openvino --model meta-llama/Meta-Llama-3.1-8B-Instruct --task text-generation-with-past --weight-format int8 main_model_path

  1. Download draft model from HuggingFace Hub
import huggingface_hub as hf_hub
 
draft_model_id = "OpenVINO/Llama-3.1-8B-Instruct-FastDraft-150M-int8-ov"
draft_model_path = "draft"

hf_hub.snapshot_download(draft_model_id, local_dir=draft_model_path)
  1. Run model inference using the speculative decoding and specify the pipeline parameters:
import openvino_genai
 
prompt = "What is OpenVINO?"
 
config = openvino_genai.GenerationConfig()
config.num_assistant_tokens = 3
config.max_new_tokens = 128
 
def streamer(subword):
    print(subword, end='', flush=True)
    return False
 
main_device = "CPU"
draft_device = "CPU"
 
draft_model = openvino_genai.draft_model(draft_model_path, draft_device)
 
scheduler_config = openvino_genai.SchedulerConfig()
scheduler_config.cache_size = 2
 
pipe = openvino_genai.LLMPipeline(main_model_path, main_device, scheduler_config=scheduler_config, draft_model=draft_model)
 
pipe.generate(prompt, config, streamer)

More GenAI usage examples can be found in OpenVINO GenAI library docs and samples

Legal Information

The model is distributed under the Intel Research Use License Agreement

Disclaimer

Intel is committed to respecting human rights and avoiding causing or contributing to adverse impacts on human rights. See Intel’s Global Human Rights Principles. Intel’s products and software are intended only to be used in applications that do not cause or contribute to adverse impacts on human rights.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
LlamaForCausalLM
Ревизия весов
5521e0d

0 моделей