ChatGLMv2 6B 部署手册

本文档介绍了如何在墨芯 AI 加速卡上使用 SOLA 部署 ChatGLMv2 6B 模型。

模型简介

ChatGLMv2 6B 是一个性能强大、易于部署的开源中英双语对话大模型，可用于各种自然语言处理任务。在初代模型的基础上进行了全面升级，在 MMLU、CEval、GSM8K、BBH 等多个数据集上取得了显著性能提升，具有对话流畅、部署门槛较低等优点。

模型配置

• num_layers: 28

• num_heads: 32

• hidden_size: 13696

• vocab_size: 65024

• batch_size: 32

• token_num: 1

• max_seq_len: 512

• data_type: Bf16

系统要求

• 至少需要 4 个设备

• 支持 AVX512f 或 SSE4 的 CPU

前提条件

请参见《SOLA Runtime 示例程序》完成基础环境配置。

使用流程

部署模型分为以下四个步骤：

说明： 我们为以下每个步骤都提供了对应的脚本，您可以直接使用。

1. 下载模型和数据集：prepare.sh。

2. 编译模型：build.sh。

3. 运行模型：run.sh。

4. 验证运行结果：verify.sh。

您也可以参考以下步骤手动部署模型。

部署步骤

1. 下载模型依赖。您可以执行以下脚本下载模型依赖：

      $ cd chatglmv2-6b
      $ ./prepare.sh
   

   若脚本执行失败，也可以通过以下链接手动下载并解压：

   $ wget https://moffett-oss-bucket01.oss-cn-shenzhen.aliyuncs.com/sola-demo/chatglm2/chatglmv2_serving_splitkv.tar.gz
   $ wget https://moffett-oss-bucket01.oss-cn-shenzhen.aliyuncs.com/sola-demo/tokenizer/chatglm2-6b.tar.gz
   

   将chatglmv2_serving_splitkv.tar.gz放到data/model目录下，chatglm2-6b.tar.gz放到 data/tokenizer。

2. 编译部署代码。

   $ ./build.sh
   

3. 运行模型。 您可以执行以下脚本验证精度和性能：

   $ ./run.sh
   

   也可以手动运行，模式是可选的：

   # 问答模式
   $ export PYTHONPATH="$PYTHONPATH:$PWD/test"
   $ python3 test/chat_chatglmv26b.py --mode="qa"
   # 自动问答模式，问题可以手动指定，默认使用`data/questions.txt`
   $ python3 test/chat_chatglmv26b.py --mode="auto-qa" --questions="data/questions.txt"
   

性能指标参考

测试环境：

• 2x Intel(R) Xeon(R) Platinum 8380 CPU @ 2.30GHz

• 16x 64GiB DDR4 3200 MHz

throughput	latency
5.306 token/s	188.45 ms/token