模型:
TheBloke/Guanaco-33B-SuperHOT-8K-GPTQ
Chat & support: my new Discord server
Want to contribute? TheBloke's Patreon page
这些文件是GPTQ 4位模型文件,适用于 Panchovix's merge of Guanaco 33B and SuperHOT 8K .
这是使用 GPTQ-for-LLaMa 进行4位量化的结果。
这是一个实验性的新GPTQ,提供最多8K的上下文大小。
增加的上下文经过了使用最新版本的 text-generation-webui 进行测试。
它还通过使用AutoGPTQ的Python代码进行了测试,并且 trust_remote_code=True 。
代码致谢:
请仔细阅读下面的内容以了解如何使用。
注意:在30B模型上使用完整的8K上下文将超过24GB的VRAM。
GGML版本目前尚未提供,因为llama.cpp尚不支持SuperHOT。正在研究这个问题,希望很快能提供支持。
请确保您正在使用最新版本的text-generation-webui
首先确保您已安装AutoGPTQ和Einops:
pip3 install einops auto-gptq
然后运行以下代码。请注意,为了使其正常工作,config.json已硬编码为序列长度为8192。
如果您想尝试4096以减少VRAM使用,请手动编辑config.json将max_position_embeddings设置为所需值。
from transformers import AutoTokenizer, pipeline, logging from auto_gptq import AutoGPTQForCausalLM, BaseQuantizeConfig import argparse model_name_or_path = "TheBloke/Guanaco-33B-SuperHOT-8K-GPTQ" model_basename = "guanaco-33b-superhot-8k-GPTQ-4bit--1g.act.order" use_triton = False tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, use_fast=True) model = AutoGPTQForCausalLM.from_quantized(model_name_or_path, model_basename=model_basename, use_safetensors=True, trust_remote_code=True, device_map='auto', use_triton=use_triton, quantize_config=None) model.seqlen = 8192 # Note: check the prompt template is correct for this model. prompt = "Tell me about AI" prompt_template=f'''USER: {prompt} ASSISTANT:''' print("\n\n*** Generate:") input_ids = tokenizer(prompt_template, return_tensors='pt').input_ids.cuda() output = model.generate(inputs=input_ids, temperature=0.7, max_new_tokens=512) print(tokenizer.decode(output[0])) # Inference can also be done using transformers' pipeline # Prevent printing spurious transformers error when using pipeline with AutoGPTQ logging.set_verbosity(logging.CRITICAL) print("*** Pipeline:") pipe = pipeline( "text-generation", model=model, tokenizer=tokenizer, max_new_tokens=512, temperature=0.7, top_p=0.95, repetition_penalty=1.15 ) print(pipe(prompt_template)[0]['generated_text'])
仓库中提供了llama_rope_scaled_monkey_patch.py,由@kaiokendev编写。
理论上,它可以添加到任何Python UI或自定义代码中,以启用与 trust_remote_code=True 相同的结果。我没有测试过这一点,并且应该被使用 trust_remote_code=True 取代,但我包括它是为了完整性和出于兴趣。
guanaco-33b-superhot-8k-GPTQ-4bit--1g.act.order.safetensors
这将适用于AutoGPTQ、ExLlama和GPTQ-for-LLaMa的CUDA版本。有报道称最近的GPTQ-for-LLaMa Triton模式存在问题。如果有问题,请改用AutoGPTQ。
它是没有group_size创建的,以降低VRAM要求,并且使用--act-order(desc_act)尽可能提高推理准确性。
如需进一步支持和讨论这些模型和人工智能,请加入我们的Discord社区:
感谢 chirper.ai 团队!
我有很多人询问是否可以做出贡献。我喜欢提供模型和帮助人们,并且希望能够有更多时间这样做,以及扩展到新的项目,如微调/训练。
如果您有能力和意愿进行贡献,我将非常感激,这将帮助我继续提供更多模型,并开始新的人工智能项目。
捐助者将优先获得有关所有AI/LLM/模型问题和请求的支持,以及访问私人Discord房间和其他好处。
特别感谢 :Luke from CarbonQuill, Aemon Algiz, Dmitriy Samsonov。
Patreon特别提到 :Pyrater, WelcomeToTheClub, Kalila, Mano Prime, Trenton Dambrowitz, Spiking Neurons AB, Pierre Kircher, Fen Risland, Kevin Schuppel, Luke, Rainer Wilmers, vamX, Gabriel Puliatti, Alex , Karl Bernard, Ajan Kanaga, Talal Aujan, Space Cruiser, ya boyyy, biorpg, Johann-Peter Hartmann, Asp the Wyvern, Ai Maven, Ghost , Preetika Verma, Nikolai Manek, trip7s trip, John Detwiler, Fred von Graf, Artur Olbinski, subjectnull, John Villwock, Junyu Yang, Rod A, Lone Striker, Chris McCloskey, Iucharbius , Matthew Berman, Illia Dulskyi, Khalefa Al-Ahmad, Imad Khwaja, chris gileta, Willem Michiel, Greatston Gnanesh, Derek Yates, K, Alps Aficionado, Oscar Rangel, David Flickinger, Luke Pendergrass, Deep Realms, Eugene Pentland, Cory Kujawski, terasurfer , Jonathan Leane, senxiiz, Joseph William Delisle, Sean Connelly, webtim, zynix , Nathan LeClaire 等所有慷慨的赞助者!
感谢所有慷慨的赞助者和捐助者!
guanaco-33b 与kaiokendev的 33b SuperHOT 8k LoRA 合并,不包含量化。(完全的FP16模型)