CPU 混合推理，非常见大模型量化方案：“二三五六” 位量化

本篇文章聊聊网上聊的比较少的具体量化操作，非常见整型位数的量化，来自让各种开源模型能够在 CPU 环境、CPU & GPU 环境混合推理的技术方案：llama.cpp 。

接下来，有计划分享一些关于各种开源模型的实践内容。为了能让更多的同学能够玩起来，降低入门的硬件门槛还是很有必要的。模型量化技术就是这样一个“神奇、有效”的方案。

看过前两篇文章《零一万物模型折腾笔记：官方 Yi-34B 模型基础使用》、《本地运行“李开复”的零一万物 34B 大模型》的同学知道，类似 34B 的模型，如果想不怎么量化直接跑起来，大概需要 76～85GB 的显存。如果我们进行效果损失比较小的 8 位量化，那么也需要 46GB 左右，如果是 4 位量化模型，那么也需要 21GB 左右的显存。

虽然模型能跑了，但是有可能模型效果“打了骨折”。

是的，模型的量化其实就是这样的一个，把类似我们相机拍摄照片（RAW），转换成“PNG”，再转换成“JPG”，最后甚至转换成“GIF”的过程。我们追求的是尽量省钱，在我们的设备上保持最好效果的将模型跑起来。尽量整个接近 “PNG” 的 “JPG”，而不是一定要折腾个 “GIF” 。

尤其是一般情况下，许多同学会使用八位（INT8）或者 四位（INT4）位量化，但是我们很容易会遇到两个尴尬的情况：

• 有的模型量化成四位（INT4）效果变的不是很好，但是量化成八位（INT8）效果还行。可是八位（INT8）尺寸又太大，运行不太方便，希望模型尺寸能够小一些。
• 有的模型量化成四位（INT4），模型还是太大，硬件跑不起来或者跑起来太费力，希望模型变的更小巧一些。

在今年早些时候的几篇文章和对外分享里，我曾经多次提到了几种不同的模型量化方案，包括 Transformers、GGML 等，感兴趣的同学可以自行翻阅，就不多赘述了。

本篇文章，我们主要来聊聊非常见整型位数的模型量化方案。用自己制作的量化程序，将原本在本地用游戏显卡跑不起来的 YI 34B 模型跑起来。

关于模型量化需要准备两个素材，一个是模型，另外一个是量化使用的计算设备。

模型程序文件

任意参数量的模型，可以是 7B、13B、14B、20B、33B、34B、68B、70B …的模型，也可以是更小参数量的小尺寸的模型。

我这里使用的是零一万物开源的 YI-34B 的社区 finetune 微调训练的版本，通常情况下，社区可能有热门模型的量化版本，经常看到一些同学说“等个量化版本”。

但其实自己动手，丰衣足食。况且，即使是从社区下载量化版本，模型体积也很大，需要来来回回测试模型是否合适，重复下载也非常消耗时间和宽带成本，远不如自己量化来的方便。

关于模型程序下载，方法很多。如果你想要从 HuggingFace 相对快速下载模型，可以参考这篇文章中的 “模型程序下载” 来解决问题。

量化使用的硬件

而量化模型使用的硬件，需要 CPU 计算能力相对强一些的机器，如果你有 GPU，那么将会极大的提升模型量化速度，如果没有也没有关系。

至于量化后的产物，则是各种设备通用的，你可以在 Windows 量化后给 Linux 或者 macOS 设备使用。你也可以使用有 CPU 和 GPU 的设备，量化后给只有 CPU 的设备使用。

唯一有一些差异的，只有运行这个通用模型格式程序的启动程序，是需要和你当前的运行环境和操作系统有些关联的，比如需要构建，或者安装时需要一些初始化。

相比较模型，程序这个真的就是小意思啦。

模型的 GGUF （GGML Universal File）格式量化准备

GGUF 是 GGML 的全新替代型，被称为 GGML 通用文件格式。

GGUF 支持的模型量化格式非常多，刨除“几种跨开源生态模型转换的场景外”，主要依赖两个程序：convert.py 和 quantize 程序。前者以 Python 脚本的形态存在于 llama.cpp 项目的目录中，后者需要我们进行项目的构建。

下载 llama.cpp 的代码，然后就能够进行构建操作啦：

# 下载代码
git clone https://github.com/ggerganov/llama.cpp.git
# 切换工作目录到项目文件夹内
cd llama.cpp
# 构建项目可执行文件（有显卡）
make -j LLAMA_CUBLAS=1
# 构建项目执行文件 (没有显卡)
make -j

等待程序构建完毕，所有的准备工作就都完成啦。

预转换：Convert.py 转换脚本

这个脚本能够将非 GGML 格式的文件转换为 GGML，以 GGUF 后缀进行保存。程序默认支持转换下面几类格式的模型：*.pth、*.pt、*.bin、*.safetensors。

是我们进行后续非常见整型模型量化的基础操作步骤。

如果我们只追求使用 8 位量化的，可以使用 CPU 和 GPU 混合推理的模型，那么我们可以参考这篇文章中的“尝试对模型进行几种不同的量化操作”的方法中的命令行参数，将模型转换为 GGML 的 q8_0 模型。

但如果，我们希望制作更多其他的不同的类型的模型，比如 2 位量化～ 6 位量化，那么我非常建议大家使用 convert.py 脚本制作和转换一个 f16 类型的 GGML 模型。

虽然程序的命令行参数看起来很麻烦，但是我们需要使用到的转换命令其实非常简单，使用 Python 调用程序，命令中携带“模型路径”和“输出的模型类型”即可：

python ./convert.py 【模型的路径】 --outtype f16

我这里以 YI-34B 的社区 finetune 模型 brucethemoose/CapyTessBorosYi-34B-200K-DARE-Ties 为例子，调整为我自己的模型存放路径：

python ./convert.py ../brucethemoose/CapyTessBorosYi-34B-200K-DARE-Ties/ --outtype f16

执行命令后，机器将会火力全开的进行程序编译，输出大量日志：

Loading model file ../brucethemoose/CapyTessBorosYi-34B-200K-DARE-Ties/model-00001-of-00008.safetensors
Loading model file ../brucethemoose/CapyTessBorosYi-34B-200K-DARE-Ties/model-00001-of-00008.safetensors
Loading model file ../brucethemoose/CapyTessBorosYi-34B-200K-DARE-Ties/model-00002-of-00008.safetensors
...

params = Params(n_vocab=64000, n_embd=7168, n_layer=60, n_ctx=200000, n_ff=20480, n_head=56, n_head_kv=8, f_norm_eps=1e-05, rope_scaling_type=None, f_rope_freq_base=5000000.0, f_rope_scale=None, n_orig_ctx=None, rope_finetuned=None, ftype=<GGMLFileType.MostlyF16: 1>, path_model=PosixPath('../brucethemoose/CapyTessBorosYi-34B-200K-DARE-Ties'))
Loading vocab file '../brucethemoose/CapyTessBorosYi-34B-200K-DARE-Ties/tokenizer.model', type 'spm'
Permuting layer 0
Permuting layer 1
Permuting layer 2
...

model.embed_tokens.weight                        -> token_embd.weight                        | BF16   | [64000, 7168]
model.layers.0.input_layernorm.weight            -> blk.0.attn_norm.weight                   | BF16   | [7168]
...

Writing ../brucethemoose/CapyTessBorosYi-34B-200K-DARE-Ties/ggml-model-f16.gguf, format 1
gguf: This GGUF file is for Little Endian only
gguf: Setting special token type bos to 1
gguf: Setting special token type eos to 2
gguf: Setting special token type unk to 0
gguf: Setting special token type pad to 0
[  1/543] Writing tensor token_embd.weight                      | size  64000 x   7168  | type F16  | T+   1
[  2/543] Writing tensor blk.0.attn_norm.weight                 | size   7168           | type F32  | T+   2
[  3/543] Writing tensor blk.0.ffn_down.weight                  | size   7168 x  20480  | type F16  | T+   2
...

Wrote ../brucethemoose/CapyTessBorosYi-34B-200K-DARE-Ties/ggml-model-f16.gguf

当一切都结束后，我们能够看到类似上面日志的最后一行提示，告诉我们转换好的模型名字和存放到机器的什么位置了。默认会存放于你指定要转换模型的目录，并以 .gguf 后缀保存文件。

最终转换：quantize 量化程序

当我们使用上面的方法，将模型转换为了相对高精度的模型文件后，我们就可以进行下一步量化了。

执行 ./quantize --help，除了程序的执行命令格式参考外，我们还能够看到量化程序支持的所有类型：

Allowed quantization types:
   2  or  Q4_0   :  3.56G, +0.2166 ppl @ LLaMA-v1-7B
   3  or  Q4_1   :  3.90G, +0.1585 ppl @ LLaMA-v1-7B
   8  or  Q5_0   :  4.33G, +0.0683 ppl @ LLaMA-v1-7B
   9  or  Q5_1   :  4.70G, +0.0349 ppl @ LLaMA-v1-7B
  10  or  Q2_K   :  2.63G, +0.6717 ppl @ LLaMA-v1-7B
  12  or  Q3_K   : alias for Q3_K_M
  11  or  Q3_K_S :  2.75G, +0.5551 ppl @ LLaMA-v1-7B
  12  or  Q3_K_M :  3.07G, +0.2496 ppl @ LLaMA-v1-7B
  13  or  Q3_K_L :  3.35G, +0.1764 ppl @ LLaMA-v1-7B
  15  or  Q4_K   : alias for Q4_K_M
  14  or  Q4_K_S :  3.59G, +0.0992 ppl @ LLaMA-v1-7B
  15  or  Q4_K_M :  3.80G, +0.0532 ppl @ LLaMA-v1-7B
  17  or  Q5_K   : alias for Q5_K_M
  16  or  Q5_K_S :  4.33G, +0.0400 ppl @ LLaMA-v1-7B
  17  or  Q5_K_M :  4.45G, +0.0122 ppl @ LLaMA-v1-7B
  18  or  Q6_K   :  5.15G, -0.0008 ppl @ LLaMA-v1-7B
   7  or  Q8_0   :  6.70G, +0.0004 ppl @ LLaMA-v1-7B
   1  or  F16    : 13.00G              @ 7B
   0  or  F32    : 26.00G              @ 7B
          COPY   : only copy tensors, no quantizing

这里，我建议始终使用 Q4_K、Q5_K 这类代指名称来进行模型转换，并且在进行转换之前，偶尔执行 ./quantize --help 看看有没有新的、更适合你的量化方案。名称中的 Q数字 中的数字就是对应的量化的位数啦。

一般来说，位数越高，需要的内存和显存就越多，运行起来越慢，但是效果和精度就越接近原始版本。反之，我们虽然得到了省资源的版本，但是效果会有明显的降低。不过，如果你模型跑不起来，效果是零，这种情况下能够量化跑起来的模型，总归是比没有强，某种程度来说，也是不得已而为之。

帮助信息中展示的如何使用命令行的演示信息，同样是内容比较多比较复杂的。但是同样的，我们实际只需要非常简单的使用方法，记住下面的调用方式就足够了：

./quantize 【模型地址】【模型类型名称】

如果我们将命令中的“变量”进行替换，改成本文中我使用的模型和我选择的量化方案，命令行如下：

./quantize ../brucethemoose/CapyTessBorosYi-34B-200K-DARE-Ties/ggml-model-f16.gguf Q5_K_M

命令执行过程中，我们将看到滚动的日志：

ggml_init_cublas: GGML_CUDA_FORCE_MMQ:   no
ggml_init_cublas: CUDA_USE_TENSOR_CORES: yes
ggml_init_cublas: found 1 CUDA devices:
  Device 0: NVIDIA GeForce RTX 4090, compute capability 8.9
main: build = 1622 (8a7b2fa)
main: built with cc (Ubuntu 11.4.0-1ubuntu1~22.04) 11.4.0 for x86_64-linux-gnu
main: quantizing '../brucethemoose/CapyTessBorosYi-34B-200K-DARE-Ties/ggml-model-f16.gguf' to '../brucethemoose/CapyTessBorosYi-34B-200K-DARE-Ties/ggml-model-Q5_K_M.gguf' as Q5_K_M
llama_model_loader: loaded meta data with 20 key-value pairs and 543 tensors from ../brucethemoose/CapyTessBorosYi-34B-200K-DARE-Ties/ggml-model-f16.gguf (version GGUF V3 (latest))
llama_model_loader: - tensor    0:                token_embd.weight f16      [  7168, 64000,     1,     1 ]
llama_model_loader: - tensor    1:           blk.0.attn_norm.weight f32      [  7168,     1,     1,     1 ]
...
llama_model_loader: - tensor  542:               output_norm.weight f32      [  7168,     1,     1,     1 ]
llama_model_loader: Dumping metadata keys/values. Note: KV overrides do not apply in this output.
llama_model_loader: - kv   0:                       general.architecture str              = llama
llama_model_loader: - kv   1:                               general.name str              = brucethemoose
llama_model_loader: - kv   2:                       llama.context_length u32              = 200000
llama_model_loader: - kv   3:                     llama.embedding_length u32              = 7168
...
[ 541/ 543]               blk.59.ffn_down.weight - [20480,  7168,     1,     1], type =    f16, quantizing to q6_K .. size =   280.00 MiB ->   114.84 MiB | hist: 
[ 542/ 543]               blk.59.ffn_norm.weight - [ 7168,     1,     1,     1], type =    f32, size =    0.027 MB
[ 543/ 543]                   output_norm.weight - [ 7168,     1,     1,     1], type =    f32, size =    0.027 MB
llama_model_quantize_internal: model size  = 65593.31 MB
llama_model_quantize_internal: quant size  = 23193.68 MB

main: quantize time = 99803.07 ms
main:    total time = 99803.07 ms

转换完毕，我们前往模型的目录，查看文件大小，能够看到非常明显的尺寸缩减：

# du -hs *
23G	ggml-model-Q5_K_M.gguf
65G	ggml-model-f16.gguf

至于模型的使用，就太简单啦。

我们可以使用 llama.cpp 项目中的 main 和 server 来运行模型，前者会在命令行中启动一个交互式的终端，后者则会启动一个简洁的 Web UI，我们在浏览器中就可以轻松的调节模型的调用参数。

在前两篇相关的文章中有提到过，这里我们再聊一次，顺便聊聊不同的参数的选择和调整策略。

我一般的“起手式”是这样：

./server --ctx-size 2048 --host 0.0.0.0 --n-gpu-layers 50 --model ../playground/01-ai/Yi-34B/ggml-model-q8_0.gguf

上面的命令中，分别包含了：

• “--ctx-size” 指定模型会话窗口大小，所能容纳和使用的 Token 数量，这里如果想省点显存和内存，就设置小一些，能够满足你的任务需要就好。如果资源比较多，可以开到模型的上限，比如最近的默认模型都是 4k 的，就设置 4096，8K 就设置 8192，200K 就设置个 200000，以此类推。
• “--host” 默认其实可以不添加，但是如果你在局域网，或者你的服务运行在容器里，那么你需要分享或者在容器外访问，设置 --host 0.0.0.0 就很有必要啦。
• “--n-gpu-layers” 这个参数需要配合显卡一起使用，如果你有显卡，但是显卡装不下模型，或者装下模型后快满了，可以考虑适当调整下数值，根据自己的需求，将合适的模型层数扔到显卡里，稍微给显卡留点富余量。扔到显卡里的模型层数越多，推理速度越快。
• “--model” 这个参数没有什么特别的，指定我们下载或者转换好的 GGML 模型文件就好。

好啦，当这个命令执行后，我们就能够快乐的和模型一起玩耍啦。

是不是很有趣，后面有机会我们聊聊上面这个交互体验是如何实现的。

这篇内容就先写到这里，接下来的相关文章，我们来聊聊社区里不同优化方向和模型的模型们。

希望大家玩模型，都能玩的开心。感谢所有为开源模型辛苦工作的模型创作者团队，和所有为开源社区摇旗呐喊，将好的东西分享给更多的人的朋友们。