3.7. codellama

codellama-13b-hf

模型下载

• url: codellama-13b-hf

• branch: main

• commit id: 9d8db7d

将上述url设定的路径下的内容全部下载到codellama-13b-hf文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of codellama-13b-hf] \
 --demo=cc \
 --dtype=float16 \
 --output-len=256 \
 --max-model-len=1024

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of codellama-13b-hf] \
 --max-model-len=1024 \
 --tokenizer=[path of codellama-13b-hf] \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=1 \
 --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10k，使能16k需要双卡；

• 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;

codellama-13b-python

模型下载

• url: codellama-13b-python

• branch: main

• commit id: 832ed72

将上述url设定的路径下的内容全部下载到codellama-13b-python文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of codellama-13b-python] \
 --demo=cc \
 --dtype=float16 \
 --output-len=256 \
 --max-model-len=1024

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of codellama-13b-python] \
 --max-model-len=1024 \
 --tokenizer=[path of codellama-13b-python] \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=1 \
 --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10k，使能16k需要双卡；

• 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;

codellama-13b-instruct

模型下载

• url: codellama-13b-instruct

• branch: main

• commit id: daacef3

将上述url设定的路径下的内容全部下载到codellama-13b-instruct文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of codellama-13b-instruct] \
 --demo=cin \
 --template=templates/template_default.jinja \
 --dtype=float16 \
 --max-model-len=1024 \
 --output-len=256

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of codellama-13b-instruct] \
 --max-model-len=1024 \
 --tokenizer=[path of codellama-13b-instruct] \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=1 \
 --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10k，使能16k需要双卡；

• 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;

codellama-34b-hf

本模型推理及性能测试需要两张enflame gcu。

模型下载

• url: codellama-34b-hf

• branch: main

• commit id: 8212871

将上述url设定的路径下的内容全部下载到codellama-34b-hf文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of codellama-34b-hf] \
 --tensor-parallel-size=2 \
 --demo=cin \
 --template=default \
 --dtype=float16 \
 --output-len=256

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of codellama-34b-hf] \
 --tensor-parallel-size=2 \
 --max-model-len=1024 \
 --tokenizer=[path of codellama-34b-hf] \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=float16

注：

• 本模型在ecc off模式下双卡支持的max-model-len为16k，ecc on模式下双卡支持的max-model-len为10k，使能16k需要四卡；

• 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;

codellama-34b-python

本模型推理及性能测试需要两张enflame gcu。

模型下载

• url: codellama-34b-python

• branch: main

• commit id: 0d7350d

将上述url设定的路径下的内容全部下载到codellama-34b-python文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of codellama-34b-python] \
 --tensor-parallel-size=2 \
 --demo=cin \
 --template=templates/template_default.jinja \
 --dtype=float16 \
 --output-len=256

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of codellama-34b-python] \
 --tensor-parallel-size=2 \
 --max-model-len=1024 \
 --tokenizer=[path of codellama-34b-python] \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=float16

注：

• 本模型在ecc off模式下双卡支持的max-model-len为16k，ecc on模式下双卡支持的max-model-len为10k，使能16k需要四卡；

• 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;

codellama-34b-instruct

本模型推理及性能测试需要两张enflame gcu。

模型下载

• url: codellama-34b-instruct

• branch: main

• commit id: bf5e506

将上述url设定的路径下的内容全部下载到codellama-34b-instruct文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of codellama-34b-instruct] \
 --tensor-parallel-size=2 \
 --demo=cin \
 --template=default \
 --dtype=float16 \
 --output-len=256

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of codellama-34b-instruct] \
 --tensor-parallel-size=2 \
 --max-model-len=1024 \
 --tokenizer=[path of codellama-34b-instruct] \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=float16

注：

• 本模型在ecc off模式下双卡支持的max-model-len为16k，ecc on模式下双卡支持的max-model-len为10k，使能16k需要四卡；

• 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;

codellama-70b-hf

本模型推理及性能测试需要四张enflame gcu。

模型下载

• url: codellama-70b-hf

• branch: main

• commit id: 4570a4e

将上述url设定的路径下的内容全部下载到codellama-70b-hf文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of codellama-70b-hf] \
 --tensor-parallel-size=4 \
 --demo=cc \
 --output-len=256 \
 --dtype=float16

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of codellama-70b-hf] \
 --tensor-parallel-size=4 \
 --max-model-len=1024 \
 --tokenizer=[path of codellama-70b-hf] \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=1 \
 --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;

codellama-70b-python

本模型推理及性能测试需要四张enflame gcu。

模型下载

• url: codellama-70b-python

• branch: main

• commit id: 7946798

将上述url设定的路径下的内容全部下载到codellama-70b-python文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of codellama-70b-python] \
 --tensor-parallel-size=4 \
 --demo=cc \
 --output-len=256 \
 --dtype=float16

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of codellama-70b-python] \
 --tensor-parallel-size=4 \
 --max-model-len=1024 \
 --tokenizer=[path of codellama-70b-python] \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=1 \
 --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;

codellama-70b-instruct

本模型推理及性能测试需要四张enflame gcu。

模型下载

• url: codellama-70b-instruct

• branch: main

• commit id: b256b38

将上述url设定的路径下的内容全部下载到codellama-70b-instruct文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of codellama-70b-instruct] \
 --tensor-parallel-size=4 \
 --demo=cc \
 --output-len=256 \
 --dtype=float16

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of codellama-70b-instruct] \
 --tensor-parallel-size=4 \
 --max-model-len=1024 \
 --tokenizer=[path of codellama-70b-instruct] \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=1 \
 --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;

codellama-70b-instruct-w8a16

本模型推理及性能测试需要2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codellama-70b-instruct-w8a16.tar文件并解压，将压缩包内的内容全部拷贝到codellama_70b_instruct_w8a16文件夹中。

• codellama_70b_instruct_w8a16目录结构如下所示：

codellama_70b_instruct_w8a16/
            ├── added_tokens.json
            ├── config.json
            ├── generation_config.json
            ├── model.safetensors
            ├── quantize_config.json
            ├── special_tokens_map.json
            ├── tokenizer.json
            ├── tokenizer_config.json
            ├── tokenizer.model
            └── tops_quantize_info.json

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of codellama_70b_instruct_w8a16] \
 --tensor-parallel-size=2 \
 --demo=cc \
 --output-len=256 \
 --dtype=float16  \
 --quantization w8a16

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of codellama_70b_instruct_w8a16] \
 --tensor-parallel-size=2 \
 --max-model-len=4096 \
 --tokenizer=[path of codellama_70b_instruct_w8a16] \
 --input-len=1024 \
 --output-len=3072 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=float16 \
 --quantization w8a16

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;