手把手教你多种方式体验Qwen2最强开源大模型

前几天看到新闻openai将开始限制来自非支持国家和地区的API流量，目前OpenAI的API已向161个国家和地区开放，中国内地和中国香港未包含其中。这对于中国使用openai的用户来说算是彻底断了念想，好在国内大模型近些日来迅猛发展，前段时间刚开源的阿里Qwen2蝉联开源大模型榜首，已经和chatgpt不相上下，这篇文章主要介绍如何多方式体验Qwen2。

1.Qwen2介绍+在线使用

qwen2官网介绍：https://qwenlm.github.io/zh/blog/qwen2/

在线体验：

• https://opencompass.org.cn/arena
• https://huggingface.co/spaces/Qwen/Qwen2-72B-Instruct

主要亮点：

• 5个尺寸的预训练和指令微调模型, 包括Qwen2-0.5B、Qwen2-1.5B、Qwen2-7B、Qwen2-57B-A14B以及Qwen2-72B；
• 在中文英语的基础上，训练数据中增加了27种语言相关的高质量数据；
• 多个评测基准上的领先表现；
• 代码和数学能力显著提升；
• 增大了上下文长度支持，最高达到128K tokens（Qwen2-72B-Instruct）。

在2个评估数据集上进行验证：

M-MMLU： 来自Okapi的多语言常识理解数据集

MGSM：包含德、英、西、法、日、俄、泰、中和孟在内的数学评测。

结果均反映了Qwen2指令微调模型突出的多语言能力。

优化点：

通义千问技术博客披露，在Qwen1.5系列中，只有32B和110B的模型使用了GQA。这一次，所有尺寸的模型都使用了GQA，以便让用户体验到GQA带来的推理加速和显存占用降低的优势。针对小模型，由于embedding参数量较大，研发团队使用了tie embedding的方法让输入和输出层共享参数，增加非embedding参数的占比。

上下文长度方面，所有的预训练模型均在32K tokens的数据上进行训练，研发团队发现其在128K tokens时依然能在PPL评测中取得不错的表现。然而，对指令微调模型而言，除PPL评测之外还需要进行大海捞针等长序列理解实验。在使用YARN这类方法时，Qwen2-7B-Instruct和Qwen2-72B-Instruct均实现了长达128K tokens上下文长度的支持。

目前在多项权威榜单和测评中，Qwen2-72B成为开源模型排行榜第一名。

2. 本地部署

• 本地部署：使用 llama.cpp 和 Ollama 等框架在 CPU 和 GPU 上本地运行 Qwen 模型的说明。
• Docker：预先构建的 Docker 镜像可用于简化部署。
• ModelScope：推荐中国大陆用户使用，支持下载检查点并高效运行模型。
• 推理框架：使用 vLLM 和 SGLang 部署 Qwen 模型进行大规模推理的示例。

2.1 Ollama 使用

Ollama下载：https://ollama.com/download

官网下载安装成功，打开终端安装：ollama run qwen2:7b

安装成功，测试使用，利用qwen2-7B写一个冒泡排序，速度感人

2.2 vllm部署

参考：deployment/vllm
使用 [vLLM]来部署 Qwen。它使用简单，速度快，具有最先进的服务吞吐量、使用 PagedAttention 高效管理注意键值内存、连续批处理输入请求、优化的 CUDA 内核等。
安装环境cuda11.8：

 pip install vLLM>=0.4.0
    
 pip install ray

Qwen2 代码支持的模型也受 vLLM 支持。vLLM 最简单的用法是离线批量推理：

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

# Initialize the tokenizer
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2-7B-Instruct")

# Pass the default decoding hyperparameters of Qwen2-7B-Instruct
# max_tokens is for the maximum length for generation.
sampling_params = SamplingParams(temperature=0.7, top_p=0.8, repetition_penalty=1.05, max_tokens=512)

# Input the model name or path. Can be GPTQ or AWQ models.
llm = LLM(model="Qwen/Qwen2-7B-Instruct")

# Prepare your prompts
prompt = "Tell me something about large language models."
messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

# generate outputs
outputs = llm.generate([text], sampling_params)

# Print the outputs.
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

使用 vLLM 可以轻松构建兼容 OpenAI-API 的 API 服务，可以将其部署为实现 OpenAI API 协议的服务器。默认情况下，它会在 启动服务器。您可以使用和参数http://localhost:8000指定地址。运行以下命令：–host–port

python -m vllm.entrypoints.openai.api_server --model Qwen/Qwen2-7B-Instruct

使用创建聊天接口 与Qwen进行交流：

curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json" -d '{
    "model": "Qwen/Qwen2-7B-Instruct",
    "messages": [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Tell me something about large language models."}
    ]
    }'

或者使用python客户端：

from openai import OpenAI
# Set OpenAI's API key and API base to use vLLM's API server.
openai_api_key = "EMPTY"
openai_api_base = "http://localhost:8000/v1"

client = OpenAI(
    api_key=openai_api_key,
    base_url=openai_api_base,
)

chat_response = client.chat.completions.create(
    model="Qwen/Qwen2-7B-Instruct",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Tell me something about large language models."},
    ]
)
print("Chat response:", chat_response)

3. 云端部署

阿里云百炼于近期应用、模型双引擎全新升级，兼容LlamaIndex等开源框架，更具开放性的应用框架，更极致生态化的模型服务，降低推理成本，加速大模型应用落地

官网链接：https://www.aliyun.com/product/bailian

按照上面的教程选择部署模型
根据自己的需求进行选择，收费标准：
billing-for-alibaba-cloud-model-studio

4. 总结

对比几种使用方式：

部署方式	在线使用	本地部署	云端部署
优点	易于访问，无需复杂设置、成本效益，按需支付，自动更新，使用最新模型	数据隐私，数据本地存储定制性高，可按需优化<控制性强，完全控制模型运行和维护	可扩展性，易于资源扩展专业支持，包括技术支持和维护，灵活性，快速调整资源和服务
缺点	依赖网络，需要稳定网络数据隐私风险，数据需上传定制性有限，控制能力受限	硬件要求高，需强大GPU成本高，初始投资大维护要求，需技术能力	成本问题，持续的云服务费用数据隐私风险，数据需上传网络依赖，服务可用性依赖网络

大模型的在线使用、本地部署和云端部署各有其优缺点：

综合考虑，选择哪种部署方式取决于组织的具体需求、资源和优先级。例如，对于重视数据隐私和定制性的场景，本地部署可能更合适；而对于需要快速扩展和专业技术支持的场景，云端部署可能更有优势。在线使用则适合对成本敏感且不需要高度定制的用例。