探索TinyChatEngine：在设备上的大型语言模型推理库

探索TinyChatEngine：在设备上的大型语言模型推理库

在数字化时代，即时的智能助手服务已经变得不可或缺，无论是编码辅助还是日常聊天。TinyChatEngine为此提供了一个全新的解决方案——它允许你在笔记本电脑、汽车甚至机器人等边缘设备上运行大型语言模型（LLMs），确保数据的隐私和快速响应。

这项创新得益于两项先进的模型压缩技术：SmoothQuant 和 AWQ (Activation-aware Weight Quantization)，它们与TinyChatEngine一起实现了低精度模型的高效执行。

项目亮点演示：

• 在配备NVIDIA GeForce RTX 4070的笔记本上，你可以体验到流畅的代码提示服务：
• 而在苹果MacBook Pro (M1, 2021) 上，即时聊天功能同样运行自如：

技术深入解析

SmoothQuant：通过数学等价变换，将激活异常值的量化困难转移到权重上，有效地平滑了激活分布，降低了计算难度。

AWQ (Activation-aware Weight Quantization)：通过对激活幅度而非权重进行分析，保护重要权重通道，以实现更精确的量化。

TinyChatEngine 引擎特性一览：

• 通用性：支持x86 (Intel/AMD)，ARM (Apple M1/M2, Raspberry Pi)，以及CUDA (Nvidia GPU)。
• 无依赖：纯C/C++实现，无需额外库。
• 高性能：实现在Macbook和GeForce笔记本上的实时响应。
• 易用性：下载编译即可启动！

最新动态

• (2023/10) 添加了对Code Llama编码辅助的支持，欢迎尝试。
• (2023/10) 推出全新CUDA后端，适配Nvidia GPU，计算能力>=6.1，性能提升约40%。
• (2023/09) 发布TinyVoiceChat，这是一个语音聊天机器人，可部署在你的边缘设备上，如MacBook或Jetson Orin Nano。

开始使用前的准备

对于不同平台，安装相应的依赖项，例如在MacOS上使用Homebrew安装boost和llvm；Windows用户则可以下载并安装GCC编译器和MSYS2。

部署LLaMA2-7B-chat与TinyChatEngine

我们提供了从头开始部署LLaMA2-7B-chat和TinyChatEngine的详细步骤：

1. 克隆仓库并进入目录：

   git clone --recursive https://github.com/mit-han-lab/TinyChatEngine
   cd TinyChatEngine
   

2. 安装Python依赖包：

   conda create -n TinyChatEngine python=3.10 pip -y
   conda activate TinyChatEngine
   pip install -r requirements.txt
   

3. 从模型动物园下载量子化的LLaMA2-7B-chat模型： 根据你的硬件选择不同的指令，例如在x86设备上：

   python tools/download_model.py --model LLaMA2_7B_chat_awq_int4 --QM QM_x86
   

4. （仅针对CUDA）根据你的平台和GPU计算能力修改Makefile。

5. 编译并启动本地聊天：

   make chat -j
   ./chat
   

后端支持与模型精度

查看表格了解不同精度在各硬件平台上的支持情况，并请注意，在Raspberry Pi上建议使用拥有8GB内存的版本。

模型转换与量化解析

TinyChatEngine致力于支持多种硬件平台上的多量化方法。例如，目前支持来自smoothquant的int8优化模型的量子化重量，以及使用提供的转换脚本将Huggingface格式的检查点转化为我们的int4权重格式。

下载与部署模型

查看模型动物园，找到目标模型ID并使用相应脚本下载并部署到你的设备上。

TinyChatEngine为跨平台的大型语言模型提供了强大的边缘计算能力，结合SmoothQuant和AWQ的先进技术，真正实现了高效、安全的本地化智能服务。无论你是开发者，还是希望为你的项目添加AI助手，TinyChatEngine都是一个值得探索的选择。立即行动，加入这个充满无限可能的世界！