3.3. bloom¶

bloom-7b1¶

本模型推理及性能测试需要1张enflame gcu。

模型下载¶

url: bloom-7b1
branch: main
commit id: e83e90ba86f87f74aa2731cdab25ccf33976bd66

将上述url设定的路径下的内容全部下载到bloom-7b1文件夹中。

批量离线推理¶

python3.8 -m vllm_utils.benchmark_test \
 --model=[path of bloom-7b1] \
 --demo=te \
 --output-len=256 \
 --dtype=float16

性能测试¶

python3.8 -m vllm_utils.benchmark_test --perf \
 --model=[path of bloom-7b1] \
 --max-model-len=2048 \
 --tokenizer=[path of bloom-7b1] \
 --input-len=128 \
 --output-len=128 \
 --num-prompts=8 \
 --block-size=64 \
 --dtype=float16

注:

本模型支持的max-model-len为2048；
input-len、output-len和num-prompts可按需调整；
配置 output-len为1时,输出内容中的latency即为time_to_first_token_latency;

bloomz-7b1¶

本模型推理及性能测试需要1张enflame gcu。

模型下载¶

url: bloomz-7b1
branch: main
commit id: 2f4c4f3ebcf171dbbe2bae989ea2d2f3d3486a97

将上述url设定的路径下的内容全部下载到bloomz-7b1文件夹中。

批量离线推理¶

python3.8 -m vllm_utils.benchmark_test \
 --model=[path of bloomz-7b1] \
 --demo=te \
 --output-len=256 \
 --dtype=float16

性能测试¶

python3.8 -m vllm_utils.benchmark_test --perf \
 --model=[path of bloomz-7b1] \
 --max-model-len=2048 \
 --tokenizer=[path of bloomz-7b1] \
 --input-len=128 \
 --output-len=128 \
 --num-prompts=8 \
 --block-size=64 \
 --dtype=float16

注:

本模型支持的max-model-len为2048；
input-len、output-len和num-prompts可按需调整；
配置 output-len为1时,输出内容中的latency即为time_to_first_token_latency;

bloomz-w8a16¶

本模型推理及性能测试需要8张enflame gcu。

模型下载¶

如需要下载权重，请联系商务人员开通EGC权限进行下载

下载bloomz-w8a16.tar文件并解压，将压缩包内的内容全部拷贝到bloomz_w8a16文件夹中。
bloomz_w8a16目录结构如下所示：

bloomz_w8a16/
      ├── config.json
      ├── model.safetensors
      ├── quantize_config.json
      ├── tokenizer.json
      ├── tokenizer_config.json
      └── tops_quantize_info.json

批量离线推理¶

python3.8 -m vllm_utils.benchmark_test \
 --model=[path of bloomz-w8a16] \
 --demo=te \
 --output-len=256 \
 --dtype=float16 \
 --quantization=w8a16 \
 --tensor-parallel-size=8

性能测试¶

python3.8 -m vllm_utils.benchmark_test --perf \
 --model=[path of bloomz-w8a16] \
 --tensor-parallel-size=8 \
 --max-model-len=2048 \
 --tokenizer=[path of bloomz-w8a16] \
 --input-len=512 \
 --output-len=128 \
 --num-prompts=8 \
 --block-size=64 \
 --dtype=float16 \
 --quantization=w8a16

注:

本模型支持的max-model-len为2048；
input-len、output-len和num-prompts可按需调整；
配置 output-len为1时,输出内容中的latency即为time_to_first_token_latency;