5.5. Yi

Yi-34B-Chat-w8a16_gptq

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_gptq.tar文件并解压，将压缩包内的内容全部拷贝到Yi-34B-Chat-w8a16_gptq文件夹中。

• Yi-34B-Chat-w8a16_gptq目录结构如下所示：

Yi-34B-Chat-w8a16_gptq/
            ├── 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_gptq] \
 --tensor-parallel-size=2 \
 --output-len=256 \
 --demo=te \
 --dtype=float16

serving模式

注：需要安装以下依赖：

python3 -m pip install numba==0.60.0

# 启动服务端
python3 -m vllm.entrypoints.openai.api_server \
 --model=[path of Yi-34B-Chat-w8a16_gptq] \
 --tensor-parallel-size=2 \
 --max-model-len=4096 \
 --disable-log-requests \
 --gpu-memory-utilization=0.9 \
 --block-size=64 \
 --dtype=float16 \
 --quantization gptq \
 --tokenizer-mode slow

# 启动客户端
python3 -m vllm_utils.benchmark_serving \
 --backend=vllm \
 --dataset-name=random \
 --model=[path of Yi-34B-Chat-w8a16_gptq] \
 --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；