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 。
写在前面
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[1]》、《本地运行“李开复”的零一万物 34B 大模型[2]》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[3]，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。
准备材料
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[4]” 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：
代码语言：javascript复制# 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[5]”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：
代码语言：javascript复制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：
代码语言：javascript复制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：
代码语言：javascript复制./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：
代码语言：javascript复制./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：
代码语言：javascript复制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：
代码语言：javascript复制# 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：
代码语言：javascript复制./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。
使用量化后的 Yi-34B 进行角色扮演游戏
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。
最后
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。
--EOF
引用链接
[1] 零一万物模型折腾笔记：官方 Yi-34B 模型基础使用: https://soulteary.com/2023/12/10/notes-on-the-01-ai-model-basic-use-of-the-official-yi-34b.html
[2] 本地运行“李开复”的零一万物 34B 大模型: https://soulteary.com/2023/11/26/locally-run-the-yi-34b-large-model-of-kai-fu-lee.html
[3] 可以自行翻阅: https://soulteary.com/tags/python.html
[4] 模型程序下载: https://soulteary.com/2023/11/26/locally-run-the-yi-34b-large-model-of-kai-fu-lee.html#下载合适的模型文件
[5] 尝试对模型进行几种不同的量化操作: https://soulteary.com/2023/12/10/notes-on-the-01-ai-model-basic-use-of-the-official-yi-34b.html#尝试对模型进行几种不同的量化操作
