mirror of
https://github.com/PaddlePaddle/FastDeploy.git
synced 2025-10-05 16:48:03 +08:00
136 lines
4.7 KiB
Markdown
136 lines
4.7 KiB
Markdown
# WINT2量化
|
||
|
||
权重经过 [CCQ（卷积编码量化）](https://arxiv.org/pdf/2507.07145) 方法进行离线压缩。权重的实际存储数值类型为INT8，每个INT8数值中打包了4个权重，等价于每个权重2bits。激活不做量化。在推理过程中，权重会被实时反量化并解码为BF16数值类型，并使用BF16数值类型进行计算。
|
||
- **支持硬件**：GPU
|
||
- **支持结构**：MoE结构
|
||
|
||
该方法依托卷积算法利用重叠的Bit位将2Bit的数值映射到更大的数值表示空间，使得模型权重量化后既保留原始数据更多的信息，同时将真实数值压缩到极低的2Bit大小，大致原理可参考下图：
|
||
|
||
|
||
CCQ WINT2一般用于资源受限的低门槛场景，以ERNIE-4.5-300B-A47B为例，将权重压缩到89GB，可支持141GB H20单卡部署。
|
||
|
||
## 执行WINT2离线推理
|
||
- 执行TP2/TP4模型时，可更换`model_name_or_path`以及`tensor_parallel_size`参数。
|
||
```
|
||
model_name_or_path = "baidu/ERNIE-4.5-300B-A47B-2Bits-Paddle"
|
||
prompts = ["解析三首李白的诗"]
|
||
from fastdeploy import LLM, SamplingParams
|
||
sampling_params = SamplingParams(temperature=0.7, top_p=0, max_tokens=128)
|
||
llm = LLM(model=model_name_or_path, tensor_parallel_size=1, use_cudagraph=True,)
|
||
outputs = llm.generate(prompts, sampling_params)
|
||
print(outputs)
|
||
|
||
```
|
||
|
||
## 启动WINT2推理服务
|
||
- 执行TP2/TP4模型时，可更换`--model`以及`tensor-parallel-size`参数；
|
||
```
|
||
python -m fastdeploy.entrypoints.openai.api_server \
|
||
--model baidu/ERNIE-4.5-300B-A47B-2Bits-Paddle \
|
||
--port 8180 \
|
||
--metrics-port 8181 \
|
||
--engine-worker-queue-port 8182 \
|
||
--cache-queue-port 8183 \
|
||
--tensor-parallel-size 1 \
|
||
--max-model-len 32768 \
|
||
--use-cudagraph \
|
||
--enable-prefix-caching \
|
||
--enable-chunked-prefill \
|
||
--max-num-seqs 256
|
||
```
|
||
|
||
## 用户发起服务请求
|
||
|
||
执行启动服务指令后，当终端打印如下信息，说明服务已经启动成功。
|
||
|
||
```
|
||
api_server.py[line:91] Launching metrics service at http://0.0.0.0:8181/metrics
|
||
api_server.py[line:94] Launching chat completion service at http://0.0.0.0:8180/v1/chat/completions
|
||
api_server.py[line:97] Launching completion service at http://0.0.0.0:8180/v1/completions
|
||
INFO: Started server process [13909]
|
||
INFO: Waiting for application startup.
|
||
INFO: Application startup complete.
|
||
INFO: Uvicorn running on http://0.0.0.0:8180 (Press CTRL+C to quit)
|
||
```
|
||
|
||
FastDeploy提供服务探活接口，用以判断服务的启动状态，执行如下命令返回 ```HTTP/1.1 200 OK``` 即表示服务启动成功。
|
||
|
||
```shell
|
||
curl -i http://0.0.0.0:8180/health
|
||
```
|
||
|
||
通过如下命令发起服务请求
|
||
|
||
```shell
|
||
curl -X POST "http://0.0.0.0:8180/v1/chat/completions" \
|
||
-H "Content-Type: application/json" \
|
||
-d '{
|
||
"messages": [
|
||
{"role": "user", "content": "把李白的静夜思改写为现代诗"}
|
||
]
|
||
}'
|
||
```
|
||
|
||
FastDeploy服务接口兼容OpenAI协议，可以通过如下Python代码发起服务请求。
|
||
|
||
```python
|
||
import openai
|
||
host = "0.0.0.0"
|
||
port = "8180"
|
||
client = openai.Client(base_url=f"http://{host}:{port}/v1", api_key="null")
|
||
|
||
response = client.chat.completions.create(
|
||
model="null",
|
||
messages=[
|
||
{"role": "system", "content": "I'm a helpful AI assistant."},
|
||
{"role": "user", "content": "把李白的静夜思改写为现代诗"},
|
||
],
|
||
stream=True,
|
||
)
|
||
for chunk in response:
|
||
if chunk.choices[0].delta:
|
||
print(chunk.choices[0].delta.content, end='')
|
||
print('\n')
|
||
```
|
||
|
||
通过指定 `--model baidu/ERNIE-4.5-300B-A47B-2Bits-Paddle` 可自动从AIStudio下载已离线量化好的WINT2模型，在该模型的config.json文件中，会有WINT2量化相关的配置信息，不用再在启动推理服务时设置 `--quantization`.
|
||
|
||
模型的config.json文件中的量化配置示例如下：
|
||
|
||
```
|
||
"quantization_config": {
|
||
"dense_quant_type": "wint8",
|
||
"moe_quant_type": "w4w2",
|
||
"quantization": "wint2",
|
||
"moe_quant_config": {
|
||
"moe_w4_quant_config": {
|
||
"quant_type": "wint4",
|
||
"quant_granularity": "per_channel",
|
||
"quant_start_layer": 0,
|
||
"quant_end_layer": 6
|
||
},
|
||
"moe_w2_quant_config": {
|
||
"quant_type": "wint2",
|
||
"quant_granularity": "pp_acc",
|
||
"quant_group_size": 64,
|
||
"quant_start_layer": 7,
|
||
"quant_end_layer": 53
|
||
}
|
||
}
|
||
}
|
||
```
|
||
|
||
- 更多部署教程请参考[get_started](../get_started/ernie-4.5.md)；
|
||
- 更多模型说明请参考[支持模型列表](../supported_models.md)。
|
||
|
||
## WINT2效果
|
||
|
||
在ERNIE-4.5-300B-A47B模型上，WINT2与WINT4效果对比：
|
||
|
||
| 测试集 |数据集大小| WINT4 | WINT2 |
|
||
|---------|---------|---------|---------|
|
||
| IFEval |500|88.17 | 85.95 |
|
||
|BBH|6511|94.43|90.06|
|
||
|DROP|9536|91.17|89.32|
|
||
|CMMLU|11477|89.92|86.55|
|