vLLM官方中文教程：用vllm实现所有的模型量化

最新推荐文章于 2025-10-29 18:37:49 发布

原创

最新推荐文章于 2025-10-29 18:37:49 发布 · 7.3k 阅读

40 ·

CC 4.0 BY-SA版权

文章标签：

#vLLM #模型量化

量化以模型精度换取更小的内存占用，从而允许大型模型在更广泛的设备上运行。

在这里插入图片描述

文章目录

支持的硬件
AutoAWQ
- 过程解释
BitsAndBytes
INT4 W4A16
INT8量化 W8A8
FP8量化 W8A8
- 在线动态量化快速入门
- 利用静态激活缩放因子进行离线量化

支持的硬件

下表显示了 vLLM 中各种量化实现与不同硬件平台的兼容性：
在这里插入图片描述

Volta 指的是 SM 7.0，Turing 指的是 SM 7.5，Ampere 指的是 SM 8.0/8.6，Ada 指的是 SM 8.9，Hopper 指的是 SM 9.0。
✅︎ 表示指定硬件支持量化方法。

随着 vLLM 不断发展和扩大对不同硬件平台和量化方法的支持，本兼容性图表可能会发生变化。
有关硬件支持和量化方法的最新信息，请参阅 vllm/model_executor/layers/quantization 或咨询 vLLM 开发团队。

在这里插入图片描述

AutoAWQ

要创建新的 4 位量化模型，可以利用 AutoAWQ。量化会将模型的精度从 FP16 降低到 INT4，从而有效地将文件大小减少约 70%。这样做的主要好处是降低了延迟和内存使用率。

一个FP16类型数据存储占用两个字节，INT4只需半个字节，差了四倍，大约减少了约70%。

您可以安装 AutoAWQ 或从 Huggingface 上的 400 多个模型中选择一个，对自己的模型进行量化。

pip install autoawq

安装 AutoAWQ 后，您就可以量化模型了。下面是一个如何量化 mistralai/Mistral-7B-Instruct-v0.2 的示例：

from awq import AutoAWQForCausalLM
from transformers import AutoTokenizer

model_path = 'mistralai/Mistral-7B-Instruct-v0.2'
quant_path = 'mistral-instruct-v0.2-awq'
quant_config = {
   
    "zero_point": True, "q_group_size": 128, "w_bit": 4, "version": "GEMM" }

# Load model
model = AutoAWQForCausalLM.from_pretrained(
    model_path, **{
   
   "low_cpu_mem_usage": True, "use_cache": False}
)
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)

# Quantize
model.quantize(tokenizer, quant_config=quant_config)

# Save quantized model
model.save_quantized(quant_path)
tokenizer.save_pretrained(quant_path)

print(f'Model is quantized and saved at "{quant_path}"')

要使用 vLLM 运行 AWQ 模型，可以使用 TheBloke/Llama-2-7b-Chat-AWQ 和以下命令：

python examples/offline_inference/llm_engine_example.py --model TheBloke/Llama-2-7b-Chat-AWQ --quantization awq

通过 LLM 类还可直接支持 AWQ 模型：

from vllm import LLM, SamplingParams

# Sample prompts.
prompts = [
    "Hello, my name is",
    "The president of the United States is",
    "The capital of France is",
    "The future of AI is",
]
# Create a sampling params object.
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)

# Create an LLM.
llm = LLM(model="TheBloke/Llama-2-7b-Chat-AWQ", quantization="AWQ")
# Generate texts from the prompts. The output is a list of RequestOutput objects
# that contain the prompt, generated text, and other information.
outputs = llm.generate(prompts, sampling_params)
# Print the outputs.
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs