3.19. vicuna

vicuna-13b-v1.5

模型下载

将上述url设定的路径下的内容全部下载到lmsys_vicuna-13b-v1.5文件夹中。

批量离线推理

python3.8 -m vllm_utils.benchmark_test \
 --model=[path of lmsys_vicuna-13b-v1.5] \
 --max-model-len=4096 \
 --output-len=256 \
 --demo=te \
 --dtype=float16

性能测试

python3.8 -m vllm_utils.benchmark_test --perf \
 --model=[path of lmsys_vicuna-13b-v1.5] \
 --max-model-len=4096 \
 --tokenizer=[path of lmsys_vicuna-13b-v1.5] \
 --input-len=128 \
 --output-len=3968 \
 --num-prompts=2 \
 --block-size=64 \
 --dtype=float16

注：

  • 本模型支持的max-model-len为4096；

  • 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；

vicuna-13b-v1.5-16k

模型下载

将上述url设定的路径下的内容全部下载到vicuna-13b-v1.5-16k文件夹中。

批量离线推理

python3.8 -m vllm_utils.benchmark_test \
 --model=[path of vicuna-13b-v1.5-16k] \
 --max-model-len=12288 \
 --output-len=256 \
 --demo=te \
 --dtype=float16

注：

  • 本模型在ecc off模式下单卡支持的max-model-len为16k，ecc on模式下单卡支持的max-model-len为12k，使能16k需要两卡；

性能测试

python3.8 -m vllm_utils.benchmark_test --perf \
 --model=[path of vicuna-13b-v1.5-16k] \
 --max-model-len=12288 \
 --tokenizer=[path of vicuna-13b-v1.5-16k] \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=8 \
 --block-size=64 \
 --dtype=float16

注：

  • 本模型在ecc off模式下单卡支持的max-model-len为16k，ecc on模式下单卡支持的max-model-len为12k，使能16k需要两卡；

  • 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；

vicuna-33b-v1.3

本模型推理及性能测试需要两张enflame gcu。

模型下载

将上述url设定的路径下的内容全部下载到vicuna-33b-v1.3文件夹中。

批量离线推理

python3.8 -m vllm_utils.benchmark_test \
 --model=[path of vicuna-33b-v1.3] \
 --tensor-parallel-size=2 \
 --max-model-len=2048 \
 --output-len=256 \
 --demo=te \
 --dtype=float16

性能测试

python3.8 -m vllm_utils.benchmark_test --perf \
 --model=[path of vicuna-33b-v1.3] \
 --tensor-parallel-size=2 \
 --max-model-len=2048 \
 --tokenizer=[path of vicuna-33b-v1.3] \
 --input-len=1024 \
 --output-len=1024 \
 --num-prompts=4 \
 --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；