/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
3,9 ГБ
Архитектура
llama · dense
Опубликована
19 июл 2023

meta-llama-Llama-2-7b-chat-hf-w4-g128-awq

Генерация текстаТекст → текст10 профессий

Квантованная до 4 бит версия чат-модели Meta Llama 2 7B для генерации диалогового и другого текста с меньшим расходом памяти.

41скачиваний за 30 дней6лайковвеса обновлены12 сен 2023

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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 7-миллиардная чат-модель Llama 2 от Meta, представленная в репозитории abhinavkulkarni в 4-битном формате AWQ с размером группы 128 для запуска через Hugging Face Transformers. Модель предназначена для генерации текста в диалоге и других сценариях работы с текстом; архитектура — плотная авторегрессионная LlamaForCausalLM, число параметров по метаданным — 6,6 млрд, контекст — до 4096 токенов. Карточка приводит оценку perplexity на wikitext для исходной и квантованной версии; значения у квантованной версии немного выше.

Квантование AWQ уменьшает точность весов до 4 бит, что позволяет экономить память при запуске. В README указана проверка на CUDA 11.7 и требование к NVIDIA GPU с compute capability 8.0 или выше. Карточка не указывает лицензию, поэтому условия использования по имеющимся данным описать нельзя.

Сценарии применения

  • ведение диалога с пользователем
  • генерация ответов на текстовые запросы
  • создание черновиков и продолжение текста
  • локальный запуск чат-модели при ограниченной видеопамяти

Ограничения

Для запуска по инструкции README требуется NVIDIA GPU с compute capability 8.0 или выше. На wikitext у квантованной версии показатели perplexity немного хуже, чем у исходной чат-модели; лицензия в предоставленных данных не указана.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Llama 2 (4-bit 128g AWQ Quantized)

Llama 2 is a collection of pretrained and fine-tuned generative text models ranging in scale from 7 billion to 70 billion parameters. This is the repository for the 7B pretrained model, converted for the Hugging Face Transformers format.

This model is a 4-bit 128 group size AWQ quantized model. For more information about AWQ quantization, please click here.

Model Date

July 19, 2023

Model License

Please refer to the original LLaMA 2 model license (link).

Please refer to the AWQ quantization license (link).

CUDA Version

This model was successfully tested on CUDA driver v530.30.02 and runtime v11.7 with Python v3.10.11. Please note that AWQ requires NVIDIA GPUs with compute capability of 8.0 or higher.

For Docker users, the nvcr.io/nvidia/pytorch:23.06-py3 image is runtime v12.1 but otherwise the same as the configuration above and has also been verified to work.

How to Use

git clone https://github.com/mit-han-lab/llm-awq \
&& cd llm-awq \
&& git checkout f084f40bd996f3cf3a0633c1ad7d9d476c318aaa \
&& pip install -e . \
&& cd awq/kernels \
&& python setup.py install
import time
import torch
from awq.quantize.quantizer import real_quantize_model_weight
from transformers import AutoModelForCausalLM, AutoConfig, AutoTokenizer, TextStreamer
from accelerate import init_empty_weights, load_checkpoint_and_dispatch
from huggingface_hub import snapshot_download

model_name = "abhinavkulkarni/meta-llama-Llama-2-7b-chat-hf-w4-g128-awq"

# Config
config = AutoConfig.from_pretrained(model_name, trust_remote_code=True)

# Tokenizer
try:
    tokenizer = AutoTokenizer.from_pretrained(config.tokenizer_name, trust_remote_code=True)
except:
    tokenizer = AutoTokenizer.from_pretrained(model_name, use_fast=False, trust_remote_code=True)
streamer = TextStreamer(tokenizer, skip_special_tokens=True)

# Model
w_bit = 4
q_config = {
    "zero_point": True,
    "q_group_size": 128,
}

load_quant = snapshot_download(model_name)

with init_empty_weights():
    model = AutoModelForCausalLM.from_config(config=config, 
                                                 torch_dtype=torch.float16, trust_remote_code=True)

real_quantize_model_weight(model, w_bit=w_bit, q_config=q_config, init_only=True)
model.tie_weights()

model = load_checkpoint_and_dispatch(model, load_quant, device_map="balanced")

# Inference
prompt = f'''What is the difference between nuclear fusion and fission?
###Response:'''

input_ids = tokenizer(prompt, return_tensors='pt').input_ids.cuda()
output = model.generate(
    inputs=input_ids, 
    temperature=0.7,
    max_new_tokens=512,
    top_p=0.15,
    top_k=0,
    repetition_penalty=1.1,
    eos_token_id=tokenizer.eos_token_id,
    streamer=streamer)

Evaluation

This evaluation was done using LM-Eval.

Llama-2-7b-chat

TaskVersionMetricValueStderr
wikitext1word_perplexity12.1967
byte_perplexity1.5964
bits_per_byte0.6748

Llama-2-7b-chat (4-bit 128-group AWQ)

TaskVersionMetricValueStderr
wikitext1word_perplexity12.5962
byte_perplexity1.6060
bits_per_byte0.6835

Acknowledgements

The model was quantized with AWQ technique. If you find AWQ useful or relevant to your research, please kindly cite the paper:

@article{lin2023awq,
  title={AWQ: Activation-aware Weight Quantization for LLM Compression and Acceleration},
  author={Lin, Ji and Tang, Jiaming and Tang, Haotian and Yang, Shang and Dang, Xingyu and Han, Song},
  journal={arXiv},
  year={2023}
}

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
d4e8573

0 моделей