Чат По сравнению с GPTQ он обеспечивает более быстрое выполнение инференса на основе Transformers. Теперь он также поддерживается сервером непрерывной пакетной обработки vLLM, что позволяет использовать модели Llama AWQ для параллельного вывода с высокой пропускной способностью в сценариях с многопользовательскими серверами. По состоянию на 25 сентября 2023 года предварительная поддержка AWQ только для Llama также была добавлена в Huggingface Text Generation Inference (TGI). Обратите внимание, что на момент написания статьи общая пропускная способность по-прежнему ниже, чем при использовании vLLM или TGI с неквантованными моделями, однако применение AWQ позволяет использовать гораздо менее мощные графические процессоры, что может упростить развертывание и снизить общие затраты. Например, модель 70B можно запускать на 1 графическом процессоре объемом 48 ГБ вместо 2 графических процессоров объемом 80 ГБ. Модели AWQ для инференса на GPU. Модели GPTQ для инференса на GPU с…
Модальности:
Генерация текста
Области применения:
Следование инструкциям
Задача: Генерация текста
Автор: TheBloke
Теги: mistral, mistral-7b, instruct, finetune, gpt4, synthetic data, distillation, sharegpt
Лайков: 2 | Загрузок: 24
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.