GPTQModel¶

要建立新的 4 位或 8 位 GPTQ 量化模型，您可以利用 ModelCloud.AI 的 GPTQModel。

量化將模型的精度從 BF16/FP16（16 位）降低到 INT4（4 位）或 INT8（8 位），這顯著減少了總模型記憶體佔用，同時提高了推理效能。

相容的 GPTQModel 量化模型可以利用 vLLM 的 Marlin 和 Machete 自定義核心來最大化 Ampere (A100+) 和 Hopper (H100+) Nvidia GPU 的批次事務處理每秒 (tps) 和令牌延遲效能。這兩個核心由 vLLM 和 NeuralMagic（現屬 Redhat）高度最佳化，以實現量化 GPTQ 模型的世界級推理效能。

GPTQModel 是世界上為數不多的量化工具包之一，它支援 動態 按模組量化，其中大型語言模型內的不同層和/或模組可以用自定義量化引數進一步最佳化。動態 量化已完全整合到 vLLM 中，並得到 ModelCloud.AI 團隊的支援。有關此功能和其他高階功能的更多詳細資訊，請參閱 GPTQModel readme。

安裝¶

您可以透過安裝 GPTQModel 或選擇 Huggingface 上的 5000+ 模型來量化您自己的模型。

pip install -U gptqmodel --no-build-isolation -v

量化模型¶

安裝 GPTQModel 後，您就可以量化模型了。有關更多詳細資訊，請參閱 GPTQModel readme。

以下是如何量化 meta-llama/Llama-3.2-1B-Instruct 的示例

程式碼

from datasets import load_dataset
from gptqmodel import GPTQModel, QuantizeConfig

model_id = "meta-llama/Llama-3.2-1B-Instruct"
quant_path = "Llama-3.2-1B-Instruct-gptqmodel-4bit"

calibration_dataset = load_dataset(
    "allenai/c4",
    data_files="en/c4-train.00001-of-01024.json.gz",
    split="train",
).select(range(1024))["text"]

quant_config = QuantizeConfig(bits=4, group_size=128)

model = GPTQModel.load(model_id, quant_config)

# increase `batch_size` to match gpu/vram specs to speed up quantization
model.quantize(calibration_dataset, batch_size=2)

model.save(quant_path)

使用 vLLM 執行量化模型¶

要使用 vLLM 執行 GPTQModel 量化模型，您可以使用以下命令執行 DeepSeek-R1-Distill-Qwen-7B-gptqmodel-4bit-vortex-v2

python examples/offline_inference/llm_engine_example.py \
    --model ModelCloud/DeepSeek-R1-Distill-Qwen-7B-gptqmodel-4bit-vortex-v2

將 GPTQModel 與 vLLM 的 Python API 結合使用¶

GPTQModel 量化模型也透過 LLM 入口點直接支援

程式碼

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=0.6, top_p=0.9)

# Create an LLM.
llm = LLM(model="ModelCloud/DeepSeek-R1-Distill-Qwen-7B-gptqmodel-4bit-vortex-v2")

# 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.
print("-"*50)
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}\nGenerated text: {generated_text!r}")
    print("-"*50)