3.17. Mistral

Mistral-7B-v0.1

模型下载

将上述url设定的路径下的内容全部下载到mistral-7b文件夹中。

批量离线推理

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

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of mistral-7b] \
 --max-model-len=32768 \
 --tokenizer=[path of mistral-7b] \
 --input-len=128 \
 --output-len=3968 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=float16

注：

  • 本模型支持的max-model-len为32768；

  • 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;

mixtral-8x7B-v0.1

模型下载

将上述url设定的路径下的内容全部下载到mixtral-8x7B-v0.1文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of mixtral-8x7B-v0.1] \
 --tensor-parallel-size=4 \
 --demo=te \
 --dtype=float16 \
 --output-len=256

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of mixtral-8x7B-v0.1] \
 --tensor-parallel-size=4 \
 --max-model-len=32768 \
 --tokenizer=[path of mixtral-8x7B-v0.1] \
 --input-len=100 \
 --output-len=180 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=float16

注：

  • 本模型支持的max-model-len为32768；

  • 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;

Mixtral-8x22B-v0.1

本模型推理及性能测试需要8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mixtral-8x22b-v0.1文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of mixtral_8x22b] \
 --tensor-parallel-size=8 \
 --output-len=512 \
 --demo=te \
 --dtype=bfloat16 \
 --device=gcu \
 --max-model-len=8192

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of mixtral_8x22b] \
 --device=gcu \
 --max-model-len=8192 \
 --tokenizer=[path of mixtral_8x22b] \
 --input-len=1024 \
 --output-len=3072 \
 --num-prompts=1 \
 --tensor-parallel-size=8 \
 --block-size=64

注：

  • 本模型支持的max-model-len为65536；

  • 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;

mixtral-8x7B-v0.1-w8a16_gptq

本模型推理及性能测试需要4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mixtral-8x7B-v0.1-w8a16_gptq.tar文件并解压，将压缩包内的内容全部拷贝到mixtral-8x7B-v0.1-w8a16_gptq文件夹中。

  • mixtral-8x7B-v0.1-w8a16_gptq目录结构如下所示：

mixtral-8x7B-v0.1-w8a16_gptq/
├── config.json
├── model.safetensors
├── quantize_config.json
├── tokenizer_config.json
├── tokenizer.json
├── tokenizer.model
└── tops_quantize_info.json

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of mixtral-8x7B-v0.1-w8a16_gptq] \
 --tensor-parallel-size=4 \
 --demo=te \
 --dtype=float16 \
 --output-len=64 \
 --quantization gptq \
 --max-model-len=4096

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of mixtral-8x7B-v0.1-w8a16_gptq] \
 --tensor-parallel-size=4 \
 --max-model-len=32768 \
 --tokenizer=[path of mixtral-8x7B-v0.1-w8a16_gptq] \
 --input-len=100 \
 --output-len=180 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=float16 \
 --quantization gptq

注：

  • 本模型支持的max-model-len为32768；

  • 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;

Mixtral-8x22B-v0.1-w8a16_gptq

本模型推理及性能测试需要8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mixtral-8x22B-v0.1-w8a16_gptq.tar文件并解压，将压缩包内的内容全部拷贝到mixtral-8x22B-v0.1-w8a16_gptq文件夹中。

  • mixtral-8x22B-v0.1-w8a16_gptq目录结构如下所示：

mixtral-8x22B-v0.1-w8a16_gptq/
├── config.json
├── model.safetensors
├── quantize_config.json
├── tokenizer_config.json
├── tokenizer.json
├── tokenizer.model
└── tops_quantize_info.json

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of mixtral-8x22B-v0.1-w8a16_gptq] \
 --tensor-parallel-size=8 \
 --max-model-len=65536 \
 --output-len=512 \
 --demo=te \
 --dtype=float16 \
 --device gcu \
 --quantization gptq

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of mixtral-8x22B-v0.1-w8a16_gptq] \
 --max-model-len=65536 \
 --tokenizer=[path of mixtral-8x22B-v0.1-w8a16_gptq] \
 --input-len=8192 \
 --output-len=8192 \
 --num-prompts=1 \
 --tensor-parallel-size=8 \
 --block-size=64 \
 --device=gcu \
 --quantization gptq

注：

  • 本模型支持的max-model-len为65536；

  • 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;

mixtral-8x7B-gptq

本模型推理及性能测试需要4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mixtral-8x7B-gptq.tar文件并解压，将压缩包内的内容全部拷贝到mixtral-8x7B-gptq文件夹中。

  • mixtral-8x7B-gptq目录结构如下所示：

mixtral-8x7B-gptq
├── config.json
├── generation_config.json
├── model.safetensors
├── quantize_config.json
├── special_tokens_map.json
├── tokenizer_config.json
├── tokenizer.json
├── tokenizer.model
└── tops_quantize_info.json

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of mixtral-8x7B-gptq] \
 --tensor-parallel-size=4 \
 --demo=te \
 --dtype=float16 \
 --output-len=256 \
 --quantization gptq \
 --block-size=64 \
 --num-prompts=1 \
 --gpu-memory-utilization=0.945

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of mixtral-8x7B-gptq] \
 --tensor-parallel-size=4 \
 --max-model-len=8192 \
 --tokenizer=[path of mixtral-8x7B-gptq] \
 --input-len=4096 \
 --output-len=4096 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=float16 \
 --quantization gptq \
 --gpu-memory-utilization=0.945

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;

Mixtral-8x22B-Instruct-v0.1

本模型推理及性能测试需要8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Mixtral-8x22B-Instruct-v0.1文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of Mixtral-8x22B-Instruct-v0.1] \
 --tensor-parallel-size=8 \
 --output-len=128 \
 --demo=te \
 --dtype=bfloat16 \
 --device=gcu \
 --max-model-len=32768 \
 --gpu-memory-utilization 0.945 \
 --trust-remote-code

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of Mixtral-8x22B-Instruct-v0.1] \
 --device=gcu \
 --max-model-len=32768 \
 --input-len=1024 \
 --output-len=1024 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=bfloat16 \
 --tensor-parallel-size=8 \
 --block-size=64 \
 --gpu-memory-utilization 0.945 \
 --trust-remote-code

注：

  • 本模型支持的max-model-len为65536；

  • 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;