5.4. InternLM

internlm2_5-7b-chat-w4a16-gptq

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internlm2_5-7b-chat-w4a16-gptq-groupsize64.tar文件并解压，将压缩包内的内容全部拷贝到internlm2_5-7b-chat-w4a16-gptq文件夹中。

• internlm2_5-7b-chat-w4a16-gptq目录结构如下所示：

internlm2_5-7b-chat-w4a16-gptq/
    ├── config.json
    ├── configuration_internlm2.py
    ├── generation_config.json
    ├── modeling_internlm2.py
    ├── model.safetensors
    ├── quantize_config.json
    ├── README.md
    ├── special_tokens_map.json
    ├── tokenization_internlm2_fast.py
    ├── tokenization_internlm2.py
    ├── tokenizer_config.json
    ├── tokenizer.model
    └── tops_quantize_info.json

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of internlm2_5-7b-chat-w4a16-gptq] \
 --demo=tc \
 --dtype=float16 \
 --quantization=gptq \
 --output-len=128 \
 --device gcu

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of internlm2_5-7b-chat-w4a16-gptq] \
 --input-len=512 \
 --output-len=128 \
 --num-prompts=64 \
 --block-size=64 \
 --dtype=float16 \
 --quantization=gptq \
 --trust-remote-code \
 --tensor-parallel-size=1 \
 --tokenizer=[path of internlm2_5-7b-chat-w4a16-gptq] \
 --device gcu

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;