使用 lmdeploy 部署 internlm/internlm2_5-7b-chat

0. 引言

LMDeploy 由 MMDeploy 和 MMRazor 团队联合开发，是涵盖了 LLM 任务的全套轻量化、部署和服务解决方案。 这个强大的工具箱提供以下核心功能：

高效的推理：LMDeploy 开发了 Persistent Batch(即 Continuous Batch)，Blocked K/V Cache，动态拆分和融合，张量并行，高效的计算 kernel等重要特性。推理性能是 vLLM 的 1.8 倍

可靠的量化：LMDeploy 支持权重量化和 k/v 量化。4bit 模型推理效率是 FP16 下的 2.4 倍。量化模型的可靠性已通过 OpenCompass 评测得到充分验证。

便捷的服务：通过请求分发服务，LMDeploy 支持多模型在多机、多卡上的推理服务。

有状态推理：通过缓存多轮对话过程中 attention 的 k/v，记住对话历史，从而避免重复处理历史会话。显著提升长文本多轮对话场景中的效率。

卓越的兼容性: LMDeploy 支持 KV Cache 量化, AWQ 和 Automatic Prefix Caching 同时使用。

1. lmdeploy 性能

LMDeploy TurboMind 引擎拥有卓越的推理能力，在各种规模的模型上，每秒处理的请求数是 vLLM 的 1.36 ~ 1.85 倍。在静态推理能力方面，TurboMind 4bit 模型推理速度（out token/s）远高于 FP16/BF16 推理。在小 batch 时，提高到 2.4 倍。

2. lmdeploy 支持的模型

2024年7月13日时点

LLMs	VLMs
- Llama (7B - 65B)	- LLaVA(1.5,1.6) (7B-34B)
- Llama2 (7B - 70B)	- InternLM-XComposer2 (7B, 4khd-7B)
- Llama3 (8B, 70B)	- QWen-VL (7B)
- InternLM (7B - 20B)	- DeepSeek-VL (7B)
- InternLM2 (7B - 20B)	- InternVL-Chat (v1.1-v1.5)
- InternLM2.5 (7B)	- MiniGeminiLlama (7B)
- QWen (1.8B - 72B)	- CogVLM-Chat (17B)
- QWen1.5 (0.5B - 110B)	- CogVLM2-Chat (19B)
- QWen1.5 - MoE (0.5B - 72B)	- MiniCPM-Llama3-V-2_5
- QWen2 (0.5B - 72B)	- Phi-3-vision (4.2B)
- Baichuan (7B)	- GLM-4V (9B)
- Baichuan2 (7B-13B)
- Code Llama (7B - 34B)
- ChatGLM2 (6B)
- GLM4 (9B)
- Falcon (7B - 180B)
- YI (6B-34B)
- Mistral (7B)
- DeepSeek-MoE (16B)
- DeepSeek-V2 (16B, 236B)
- Mixtral (8x7B, 8x22B)
- Gemma (2B - 7B)
- Dbrx (132B)
- StarCoder2 (3B - 15B)
- Phi-3-mini (3.8B)

3. 快速开始

使用 pip ( python 3.8+) 安装 LMDeploy，

pip install lmdeploy

部署 openai 兼容 api 格式的模型服务，

lmdeploy serve api_server internlm/internlm2_5-7b-chat --server-port 8000 --model-name internlm2

使用 Chatbox 设置访问，

问一个问题试一试，

reference: https://github.com/InternLM/lmdeploy