3.10. gemma¶

gemma-2b¶

模型下载¶

url: gemma-2b
branch: main
commit id: 9d067f0

将上述url设定的路径下的内容全部下载到gemma-2b文件夹中。

requirement¶

vllm >= 0.3.3

批量离线推理¶

python3 -m vllm_utils.benchmark_test \
 --model=[path of gemma-2b] \
 --demo=te \
 --dtype=float16 \
 --output-len=256

性能测试¶

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of gemma-2b] \
 --tokenizer=[path of gemma-2b] \
 --max-model-len=1024 \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=float16 \
 --enforce-eager

注：

本模型支持的max-model-len为8192；
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;

gemma-7b¶

模型下载¶

url: gemma-7b
branch: main
commit id: 359f554

将上述url设定的路径下的内容全部下载到gemma-7b文件夹中。

requirement¶

vllm >= 0.3.3

批量离线推理¶

python3 -m vllm_utils.benchmark_test \
 --model=[path of gemma-7b] \
 --demo=te \
 --dtype=float16 \
 --output-len=20 \
 --max-model-len=8192

性能测试¶

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of gemma-7b] \
 --tokenizer=[path of gemma-7b] \
 --max-model-len=8192 \
 --input-len=512 \
 --output-len=7680 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=float16

注：

本模型支持的max-model-len为8192；
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;

codegemma-7b¶

模型下载¶

url: codegemma-7b
branch: main
commit id: 2ec9700

将上述url设定的路径下的内容全部下载到codegemma-7b文件夹中。

requirement¶

vllm >= 0.3.3

批量离线推理¶

python3 -m vllm_utils.benchmark_test \
 --model=[path of codegemma-7b] \
 --demo=te \
 --dtype=float16 \
 --output-len=256 \
 --max-model-len=8192

性能测试¶

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of codegemma-7b] \
 --tokenizer=[path of codegemma-7b] \
 --max-model-len=8192 \
 --input-len=4096 \
 --output-len=4096 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=float16

注：

本模型支持的max-model-len为8192；
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;

gemma-7b-w8a16¶

本模型推理及性能测试需要1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gemma-7b-w8a16.tar文件并解压，将压缩包内的内容全部拷贝到gemma_7b_w8a16文件夹中。
gemma_7b_w8a16目录结构如下所示：

gemma_7b_w8a16/
            ├── 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 gemma_7b_w8a16] \
 --demo=te \
 --output-len=256 \
 --dtype=float16  \
 --quantization w8a16 \
 --max-model-len=8192

性能测试¶

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of gemma_7b_w8a16] \
 --max-model-len=8192 \
 --tokenizer=[path of gemma_7b_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8192；
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;