3.23. Ziya-Coding

Ziya-Coding-34B-v1.0

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Ziya-Coding-34B-v1.0文件夹中。

批量离线推理

python3.8 -m vllm_utils.benchmark_test \
 --model=[path of Ziya-Coding-34B-v1.0] \ 
 --tensor-parallel-size=2 \ 
 --max-model-len=16384 \
 --output-len=256 \
 --demo=cin \
 --dtype=float16 \
 --template=templates/template_ziya_instruct.jinja

性能测试

python3.8 -m vllm_utils.benchmark_test --perf \
 --model=[path of Ziya-Coding-34B-v1.0] \
 --tensor-parallel-size=2 \
 --max-model-len=16384 \
 --tokenizer=[path of Ziya-Coding-34B-v1.0] \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=8 \
 --block-size=64 \
 --dtype=float16

注：

  • 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;

Ziya-Coding-34B-v1.0-w8a16

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Ziya-Coding-34B-v1.0-w8a16.tar文件并解压，将压缩包内的内容全部拷贝到Ziya_Coding_34B_v1.0_w8a16文件夹中。

  • Ziya_Coding_34B_v1.0_w8a16目录结构如下所示：

Ziya_Coding_34B_v1.0_w8a16/
      ├── config.json
      ├── model.safetensors
      ├── quantize_config.json
      ├── special_tokens_map.json
      ├── tokenizer_config.json
      ├── tokenizer.model
      └── tops_quantize_info.json

批量离线推理

python3.8 -m vllm_utils.benchmark_test \
 --model=[path of Ziya_Coding_34B_v1.0_w8a16] \
 --max-model-len=8192 \
 --output-len=256 \
 --demo=cin \
 --dtype=float16 \
 --quantization w8a16 \ 
 --template=templates/template_ziya_instruct.jinja

注：

  • 单张gcu上可以支持的max-model-len为8192，若需使用到模型自身支持的16384的max-model-len，则需设置--tensor-parallel-size=2；

性能测试

python3.8 -m vllm_utils.benchmark_test --perf \
 --model=[path of Ziya_Coding_34B_v1.0_w8a16] \
 --max-model-len=8192 \
 --tokenizer=[path of Ziya_Coding_34B_v1.0_w8a16] \
 --input-len=1024 \
 --output-len=1024 \
 --num-prompts=4 \
 --block-size=64 \
 --quantization=w8a16 \
 --dtype=float16

注:

  • 单张gcu上可以支持的max-model-len为8192，若需使用到模型自身支持的16384的max-model-len，则需设置--tensor-parallel-size=2；

  • 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;