3.26. Yi

Yi-6B

模型下载

  • url: Yi-6B

  • branch: main

  • commit id: 795e122

将上述url设定的路径下的内容全部下载到yi-6b文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of yi-6b] \
 --output-len=256 \
 --demo=te \
 --dtype=float16

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of yi-6b] \
 --max-model-len=4096 \
 --tokenizer=[path of yi-6b] \
 --input-len=128 \
 --output-len=3968 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=float16 \
 --enforce-eager

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;

Yi-34B

本模型推理及性能测试需要两张enflame gcu。

模型下载

  • url: Yi-34B

  • branch: main

  • commit id: b65f157

将上述url设定的路径下的内容全部下载到yi-34b文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of yi-34b] \
 --tensor-parallel-size=2 \
 --output-len=20 \
 --demo=te \
 --dtype=float16 \
 --max-model-len=64

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of yi-34b] \
 --tensor-parallel-size=2 \
 --max-model-len=4096 \
 --tokenizer=[path of yi-34b] \
 --input-len=128 \
 --output-len=3968 \
 --num-prompts=16 \
 --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;

Yi-34B-200K

本模型推理及性能测试需要8张enflame gcu。

模型下载

  • url: Yi-34B-200K

  • branch: main

  • commit id: 09a39628465e62ea2bf199a39ac391135ba59e01

将上述url设定的路径下的内容全部下载到yi-34b-200k文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of yi-34b-200k] \
 --tensor-parallel-size=8 \
 --max-model-len=200000 \
 --output-len=512 \
 --demo=te \
 --dtype=float16 \
 --device=gcu

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of yi-34b-200k] \
 --device=gcu \
 --max-model-len=200000 \
 --tokenizer=[path of yi-34b-200k] \
 --dtype=float16 \
 --input-len=198976 \
 --output-len=1024 \
 --num-prompts=1 \
 --tensor-parallel-size=8 \
 --block-size=64

注：

  • 本模型支持的max-model-len为200000；

  • 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;

Yi-34B-Chat-w8a16

本模型推理及性能测试需要两张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Yi-34B-Chat-w8a16.tar文件并解压，将压缩包内的内容全部拷贝到Yi-34B-Chat-w8a16文件夹中。

  • Yi-34B-Chat-w8a16目录结构如下所示：

Yi-34B-Chat-w8a166/
            ├── config.json
            ├── model.safetensors
            ├── quantize_config.json
            ├── tokenizer.json
            ├── tops_quantize_info.json

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of Yi-34B-Chat-w8a16] \
 --tensor-parallel-size=2 \
 --output-len=256 \
 --demo=te \
 --dtype=float16

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of Yi-34B-Chat-w8a16] \
 --tensor-parallel-size=2 \
 --max-model-len=4096 \
 --tokenizer=[path of Yi-34B-Chat-w8a16] \
 --input-len=128 \
 --output-len=128 \
 --num-prompts=16 \
 --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;

serving模式

# 启动服务端
python3 -m vllm.entrypoints.openai.api_server \
 --model=[path of Yi-34B-Chat-w8a16] \
 --tensor-parallel-size=2 \
 --max-model-len=4096 \
 --disable-log-requests \
 --block-size=64 \
 --dtype=float16 \
 --quantization w8a16

# 启动客户端
python3 -m vllm_utils.benchmark_serving \
 --backend=vllm \
 --dataset-name=random \
 --model=[path of Yi-34B-Chat-w8a16] \
 --num-prompts=10 \
 --random-input-len=4 \
 --random-output-len=300 \
 --trust-remote-code

注：

  • 为保证输入输出长度固定，数据集使用随机数测试；

  • num-prompts, random-input-len和random-output-len可按需调整；

Yi-1.5-34B-Chat-GPTQ

本模型推理及性能测试需要两张enflame gcu。

模型下载

批量离线推理

python3 -m vllm_utils.benchmark_test \
    --demo="te" \
    --model [path of Yi-1.5-34B-Chat-GPTQ] \
    --output-len=256 \
    --dtype=float16 \
    --tensor-parallel-size 2 \
    --device gcu

性能测试

python3 -m vllm_utils.benchmark_test --perf \
    --model [path of Yi-1.5-34B-Chat-GPTQ] \
    --tensor-parallel-size 2 \
    --dtype float16 \
    --quantization gptq \
    --trust-remote-code \
    --num-prompts 8 \
    --max-model-len 4096 \
    --input-len 512 \
    --output-len 512 \
    --device gcu

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;