5.4. codellama

codellama-70b-instruct-w8a16_gptq

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_gptq.tar文件并解压，将压缩包内的内容全部拷贝到codellama_70b_instruct_w8a16_gptq文件夹中。

• codellama_70b_instruct_w8a16_gptq目录结构如下所示：

codellama_70b_instruct_w8a16_gptq/
            ├── 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_gptq] \
 --tensor-parallel-size=2 \
 --demo=cc \
 --output-len=256 \
 --dtype=float16  \
 --quantization gptq

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of codellama_70b_instruct_w8a16_gptq] \
 --tensor-parallel-size=2 \
 --max-model-len=4096 \
 --tokenizer=[path of codellama_70b_instruct_w8a16_gptq] \
 --input-len=1024 \
 --output-len=3072 \
 --num-prompts=1 \
 --block-size=64 \
 --dtype=float16 \
 --quantization gptq

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;