之前对LLM 推理和应用了解不多，因此抽时间梳理了一下，我们从模型量化，模型推理，以及开发平台等三个层面来梳理分析。
模型量化
模型训练时为了进度，采用的32位浮点数，因此占用的空间较大，一些大的模型需要很大的显存才能加载，且计算推理过程较慢。为了减少内存占用，提升推理速度，可以将高精度的参数转为低精度的参数，例如从 32 位的浮点数转换为 8 位整数，这个技术就叫做模型量化。
模型量化是一种将浮点计算转成低比特定点计算的技术，可以有效的降低模型计算强度、参数大小和内存消耗，但往往带来巨大的精度损失。尤其是在极低比特(<4bit)、二值网络(1bit)、甚至将梯度进行量化时，带来的精度挑战更大。
量化带来的好处
- 保持精度：量化会损失精度，这相当于给网络引入了噪声，但是神经网络一般对噪声是不太敏 感的，只要控制好量化的程度，对高级任务精度影响可以做到很小。
- 加速计算：传统的卷积操作都是使用FP32浮点，低比特的位数减少少计算性能也更高，INT8 相 对比 FP32 的加速比可达到3倍甚至更高
- 节省内存：与 FP32 类型相比，FP16、INT8、INT4 低精度类型所占用空间更小，对应存储空间 和传输时间都可以大幅下降。
- 节能和减少芯片面积：每个数使用了更少的位数，做运算时需要搬运的数据量少了，减少了访 存开销（节能），同时所需的乘法器数目也减少（减少芯片面积）
量化的方法与原理
主要有三种量化方法：
- 量化训练 (Quant Aware Training, QAT)
- 量化训练让模型感知量化运算对模型精度带来的影响，通过 finetune 训练降低量化误差。
- 动态离线量化 (Post Training Quantization Dynamic, PTQ Dynamic)
- 动态离线量化仅将模型中特定算子的权重从FP32类型映射成 INT8/16 类型。
- 静态离线量化 (Post Training Quantization Static, PTQ Static)
- 静态离线量化使用少量无标签校准数据，采用 KL 散度等方法计算量化比例因子
模型量化的原理是，实现浮点数与定点数据转换。
如上图所示，将一个更大范围的浮点数，转换为范围更小的数。
FP16/INT8/INT4
在huggingface上去查看模型时，会看到一些带有fp16、int8、int4 后缀的模型，比如Llama-2-7B-fp16、chatglm-6b-int8、chatglm2-6b-int4，其实这些模型就是量化后的模型，fp16表示模型的量化精度。
- FP32（单精度浮点数）：使用32位二进制表示，其中1位用于sign，8位用于exponent，23位用于fraction。其数值范围大约是1.18e-38到3.40e38，精度大约是6到9位有效数字
- FP16（半精度浮点数）：使用16位二进制表示，其中1位用于sign，5位用于exponent，10位用于fraction。其数值范围为
[5.96×10^-8, 65504]，但实际能表示的最大正值为65504，最小正值约为0.0000000596（非规格表示下），符号位为0时代表正数 - INT8，八位整型占用1个字节，INT8是一种定点计算方式，代表整数运算，一般是由浮点运算量化而来。在二进制中一个"0"或者"1"为一bit，INT8则意味着用8bit来表示一个数字
- int4占用4个字节（32位）
量化精度从高到低排列顺序是：fp16>int8>int4，量化的精度越低，模型的大小和推理所需的显存就越小，但模型的能力也会越差。
业界有一些开源的量化模型格式，下面来介绍。
GGML
https://github.com/ggerganov/ggml
GGML全称是Georgi Gerganov Machine Learning ，是由Georgi Gerganov开发的一个张量库（tensor library），Georgi Gerganov开源项目llama.cpp的创始人。
GGML是一个C写的库，可以将LLM转为为GGML格式，通过量化等技术让LLM方便进行加载和推理
- 采用量化技术，将原有大模型预训练结果量化（即将原有大模型FP16精度压缩成INT8、INT6精度
- 二进制文件编码，将量化后的预训练结果通过一种指定的格式变成一个二进制文件
特性：
- 用 C 语言编写
- 支持 16 位浮点数
- 支持整数量化（4 位、5 位、8 位等）
- 自动微分
- ADAM 和 L-BFGS 优化器
- 针对 Apple 芯片进行了优化
- 在 x86 架构上利用 AVX/AVX2 内在函数
- 在 ppc64 架构上利用 VSX 内在函数
- 无第三方依赖项
- 运行时不进行内存分配
在 HuggingFace 上，如果看到模型名称带有GGML字样的，比如Llama-2-13B-chat-GGML，说明这些模型是经过 GGML 量化的。有些 GGML 模型的名字除了带有GGML字样外，还带有q4、q4_0、q5等，比如Chinese-Llama-2-7b-ggml-q4，这里面的q4其实指的是 GGML 的量化方法，从q4_0开始往后扩展，有q4_0、q4_1、q5_0、q5_1和q8_0，在这里可以看到各种方法量化后的数据。
GGUF
GGML是基础的文件格式，没有版本控制或数据对齐，适用于不需要考虑文件版本兼容性或内存对齐优化的场景。2023年8月份，Georgi Gerganov创建一个新的大模型文件格式GGUF，全称GPT-Generated Unified Format，用以取代GGML格式。GGUF 与 GGML 相比，GGUF 可以在模型中添加额外的信息，而原来的 GGML 模型是不可以的，同时 GGUF 被设计成可扩展，这样以后有新功能就可以添加到模型中，而不会破坏与旧模型的兼容性。
但这个功能是Breaking Change，也就是说 GGML 新版本以后量化出来的模型都是 GGUF 格式的，这意味着旧的 GGML 格式以后会慢慢被 GGUF 格式取代，而且也不能将老的 GGML 格式直接转成 GGUF 格式。
GPTQ
GPTQ 是一种模型量化的方法，可以将语言模型量化成 INT8、INT4、INT3 甚至 INT2 的精度而不会出现较大的性能损失，在 HuggingFace 上如果看到模型名称带有GPTQ字样的，比如Llama-2-13B-chat-GPTQ，说明这些模型是经过 GPTQ 量化的。以Llama-2-13B-chat为例，该模型全精度版本的大小为 26G，使用 GPTQ 进行量化成 INT4 精度后的模型大小为 7.26G。
现在更流行的一个 GPTQ 量化工具是AutoGPTQ，它可以量化任何 Transformer 模型而不仅仅是Llama，现在 Huggingface 已经将 AutoGPTQ 集成到了 Transformers 中。
GPTQ vs GGML
GPTQ 和 GGML 是现在模型量化的两种主要方式，在实际运用中如何选择呢？
两者有以下几点异同：
- GPTQ 在 GPU 上运行较快，而 GGML 在 CPU 上运行较快
- 同等精度的量化模型，GGML 的模型要比 GPTQ 的稍微大一些，但是两者的推理性能基本一致
- 两者都可以量化 HuggingFace 上的 Transformer 模型
因此，如果目标模型是在 GPU 上运行，那么优先使用GPTQ 进行量化，如果你的模型是在 CPU 上运行，那么建议使用 GGML 进行量化
模型推理框架
llama.cpp
llama.cpp 是GGML作者创始开发的一款纯C/C++的模型推理引擎，支持量化推理，支持多种设备、操作系统，最早是为了支持llama的推理，现在已经支持主流的开源模型。
llama.cpp 的一个显著特点是其对硬件的高效利用。无论是Windows/Linux用户还是macOS用户，都可以通过编译优化来提高模型推理的速度。对于Windows/Linux用户，推荐与BLAS（或cuBLAS如果有GPU）一起编译，可以显著提升prompt处理速度。而macOS用户则无需额外操作，因为llama.cpp 已对ARM NEON做优化，并且已自动启用BLAS。M系列芯片推荐使用Metal启用GPU推理，以显著提升速度。
llama.cpp 支持在本地CPU上部署量化后的模型，也就是结合上面提到的GGML，这样在超低配的硬件也能运行LLM。
chatglm_cpp
https://github.com/li-plus/chatglm.cpp
国产的chatglm模型开源后，有作者参考llama.cpp，开发了支持chatglm推理的chatglm_cpp，底层依然是基于GGML，当前支持ChatGLM-6B, ChatGLM2-6B, ChatGLM3-6B, CodeGeeX2, Baichuan-13B, Baichuan-7B, Baichuan-13B, Baichuan2, InternLM 这些国产开源模型。
vLLM
https://github.com/vllm-project/vllm
vLLM 是来自加州大学伯克利分校的，面向GPU的大模型推理框架。
vLLm 运行大模型非常快主要使用以下方法实现的：
- 通过PageAttention 对attention key & value 内存进行有效的管理
- 连续批处理
- 优化的CUDA kernels
当前支持NVIDIA GPUs 和 AMD GPUs，量化方面支持GPTQ, AWQ, SqueezeLLM, FP8 KV Cache
MLC LLM
https://github.com/mlc-ai/mlc-llm
M achine L earning C ompilation for L arge L anguage Models (MLC LLM) 是一个高性能的通用部署解决方案，支持任何大语言模型的原生部署。 MLC LLM支持以下平台和硬件： AMD GPU、 NVIDIA GPU、 Apple GPU、 Intel GPU、 Linux / Win、 macOS、 Web 浏览器、 iOS / iPadOS、 Android。
这个框架是陈天奇(tvm发起者)团队开发的，最大的特性是可以部署到iOS 和 Android 设备上，还能在浏览器上运行SD模型和LLM模型。
DeepSpeed
微软出品的高性能推理框架，DeepSpeed-FastGen 利用分块 KV 缓存和动态分割融合连续批处理，提供了比vLLM更好的吞吐。
DeepSpeed-FastGen 支持的模型：
DeepSpeed 沿用了业界主流的 分块 KV 缓存， 连续批处理 技术，同时引入了 动态 SplitFuse 技术，这是一种新颖的提示和生成组合策略，利用动态提示和生成分解, 统一来进一步改善连续批处理和系统吞吐量。详情可参见 https://github.com/microsoft/DeepSpeed/blob/master/blogs/deepspeed-fastgen/chinese/README.md
推理框架小结
- 如果CPU推理，llama.cpp 结合模型int4量化，最佳的选择
- GPU推理，微软的
DeepSpeed-FastGen是一个好的选择 - 手机终端推理，MLC LLM可以作为候选
大模型应用开发平台
之所以称之为开发平台，是这些工具除了支持基本的模型推理，还有标准化的api，以及配套管理工具，可以方便去开发和管理AI应用。
Xorbits Inference
https://github.com/xorbitsai/inference/blob/main/README_zh_CN.md
Xorbits Inference（Xinference）是一个性能强大且功能全面的分布式推理框架。可用于大语言模型（LLM），语音识别模型，多模态模型等各种模型的推理。通过 Xorbits Inference，你可以轻松地一键部署你自己的模型或内置的前沿开源模型。无论你是研究者，开发者，或是数据科学家，都可以通过 Xorbits Inference 与最前沿的 AI 模型，发掘更多可能。
官方介绍的主要功能：
🌟 模型推理，轻而易举 ：大语言模型，语音识别模型，多模态模型的部署流程被大大简化。一个命令即可完成模型的部署工作。
⚡️ 前沿模型，应有尽有 ：框架内置众多中英文的前沿大语言模型，包括 baichuan，chatglm2 等，一键即可体验！内置模型列表还在快速更新中！
🖥 异构硬件，快如闪电 ：通过 ggml，同时使用你的 GPU 与 CPU 进行推理，降低延迟，提高吞吐！
⚙️ 接口调用，灵活多样 ：提供多种使用模型的接口，包括 OpenAI 兼容的 RESTful API（包括 Function Calling），RPC，命令行，web UI 等等。方便模型的管理与交互。
🌐 集群计算，分布协同 : 支持分布式部署，通过内置的资源调度器，让不同大小的模型按需调度到不同机器，充分使用集群资源。
🔌 开放生态，无缝对接 : 与流行的三方库无缝对接，包括 LangChain，LlamaIndex，Dify，以及 Chatbox。
dify
https://github.com/langgenius/dify
Dify.AI是一款开源的 LLM （大语言模型）应用开发平台，它融合了 BaaS（后端即服务）和 LLMOps的理念，涵盖了构建生成式 AI 原生应用所需的核心技术栈，包括一个内置 RAG 引擎。使用 Dify，可以基于一些开源模型自部署类似 Assistants API 和 GPTs 的能力。
dify的特点：
1. LLM支持 ：与 OpenAI 的 GPT 系列模型集成,或者与开源的 Llama2 系列模型集成。事实上，Dify支持主流的商业模型和开源模型(本地部署或基于 MaaS)。
2. Prompt IDE ：和团队一起在 Dify 协作，通过可视化的 Prompt 和应用编排工具开发 AI 应用。 支持无缝切换多种大型语言模型。
3. RAG引擎 ：包括各种基于全文索引或向量数据库嵌入的 RAG 能力，允许直接上传 PDF、TXT 等各种文本格式。
4. AI Agent ：基于 Function Calling 和 ReAct 的 Agent 推理框架，允许用户自定义工具，所见即所得。Dify 提供了十多种内置工具调用能力，如谷歌搜索、DELL·E、Stable Diffusion、WolframAlpha 等。
5. 持续运营：监控和分析应用日志和性能，使用生产数据持续改进 Prompt、数据集或模型。
