[ExecuTorch 系列] 2. 导出官方支持的大语言模型

前提条件

确保已经安装了 ExecuTorch。安装教程：ExecuTorch 系列 1. 从源码构建 ExecuTorch

LLM 导出功能需要 pytorch_tokenizers 包。如果遇到 ModuleNotFoundError: No module named 'pytorch_tokenizers' 错误，请从 ExecutorTorch 源代码安装：

pip install pytorch-tokenizers

# 从源码安装
pip install -e ./extension/llm/tokenizers/

支持的模型列表

具体支持的 LLM 模型列表可以从这里找到。

• Llama 2/3/3.1/3.2
• Qwen 2.5/3
• Phi 3.5/4-mini
• SmolLM2
• ...

注： 如果需要导出不在列表中或其他模型架构（如 Gemma、Mistral、BERT、T5、Whisper 等）中的模型，请参阅 Exporting LLMs with Optimum，该页面支持 Hugging Face Hub 中更多种类的模型。

export_llm API

export_llm 是 ExecuTorch 为 LLM 提供的高级导出 API。我们重点介绍使用该 API 导出 Llama 3.2 1B 。export_llm 的参数可以通过CLI args或yaml 配置指定，Yaml 配置字段在 LlmConfig 中定义。调用export_llm ：

python -m executorch.examples.extension.llm.export.export_llm
  --config <path-to-config-yaml>
  +base.<additional-CLI-overrides>

# 例如
python -m extension.llm.export.export_llm --config ~/models/Llama/Llama-3.2-1B/config.yaml

基础导出

要进行 Llama3.2 的基础导出，我们首先需要下载检查点文件（consolidated.00.pth）和参数文件（params.json）。可以在 Llama 官网 或 Hugging Face 上找到这些。

在 Llama 官网 或 Hugging Face 上下载 Llama 系列模型都需要申请，而填中国身份申请基本就是被拒绝，可以通过下面的方法下载：

pip install modelscope
modelscope download --model LLM-Research/Llama-3.2-1B

然后，指定 model_class、checkpoint（通往检查点文件的路径）和params（指向参数文件的路径）作为参数。此外，后续当使用 Runner APIs 运行导出的 .pte 时，Runner 需要知道该模型的 bos 和 eos ID，才能知道何时终止。这些方法通过 .pte 中的 bos 和 eos 获取方法暴露，我们可以通过在metadata参数中指定 bos 和 eos ID 来添加。这些 Tokens 的值通常可以在 HuggingFace 上模型的tokenizer_config.json 中找到。

# path/to/config.yaml
base:
  model_class: llama3_2
  checkpoint: path/to/consolidated.00.pth
  params: path/to/params.json
  metadata: '{"get_bos_id":128000, "get_eos_ids":[128009, 128001]}'

# export_llm
python -m extension.llm.export.export_llm \
  --config path/to/config.yaml

对于支持的其他 LLMs，checkpoint 将从 HuggingFace 自动下载，参数文件可在 executorch/examples/models 下各自的目录中找到，例如：executorch/examples/models/qwen3/config/0_6b_config.json。

导出设置

ExportConfig 包含导出 .pte 的设置，如 max_seq_length（提示词最大长度）和 max_context_length（模型内存/缓存的最大长度）。

添加优化

export_llm 会在导出前、导出过程中和降低（Lowering）过程中对模型进行多种优化。量化 和向加速器后端委派 是主要的优化方式，其他所有优化都可以在 ModelConfig 里找到。

# path/to/config.yaml
base:
  model_class: llama3_2
  checkpoint: path/to/consolidated.00.pth
  params: path/to/params.json
  metadata: '{"get_bos_id":128000, "get_eos_ids":[128009, 128001]}'
model:
  use_kv_cache: True
  use_sdpa_with_kv_cache: True

# export_llm
python -m extension.llm.export.export_llm \
  --config path/to/config.yaml

推荐使用 use_kv_cache 和 use_sdpa_with_kv_cache 来导出任何 LLM，其他选项则在特定情况下有用。例如：

• use_shared_embedding 对于具有绑定的输入/输出嵌入层的模型会有帮助，前提是你使用 TorchAO 低比特运算进行量化（ quantization.qmode: torchao:8da(\\d+)w 或 quantization.qmode: torchao:fpa(\d+)w ），详见这里。
• use_attention_sink 当达到最大上下文长度时，通过从 KV cache 的开头移除内容来延长生成（过程）。
• quantize_kv_cache 在 int8 中量化 KV cache。
• local_global_attention 实现了 局部 - 全局注意力机制，使特定的注意力层能够使用小得多的局部滑动窗口 KV cache。

量化

量化选项由 QuantizationConfig 定义。ExecuTorch通过两种方式进行量化：

1. TorchAO quantize API
2. pt2e quantization

TorchAO (XNNPACK)

TorchAO 在源码层面进行量化，将线性模块替换为量化线性模块。 要在 XNNPACK 后端上进行量化，这是应遵循的量化路径。量化模式定义于此处。

常见的有：

• 8da4w：wint8 动态激活 + int4 权重量化的缩写。
• int8：int8 仅权重量化。

组大小的指定方式如下：

• group_size：8、32、64 等。

对于 Arm CPU，也有用于 int8 动态激活 + int1-8 权重量化的 低比特内核。请注意，不应将其与 XNNPACK 一起使用，并且通过实验我们发现，对于等效的 8da4w，其性能有时甚至会更好。使用这些条件时，需将qmode指定为以下任一：

• torchao:8da(\d+)w： int8 动态激活 + int1-8 权重，例如 torchao:8da5w
• torchao:fpa(\d+)w： 仅 int1-8 权重，例如 torchao:fps4w

要量化 embeddings，可以指定 embedding_quantize: <bitwidth>,<groupsize>（bitwidth必须为 2、4 或 8），对于低比特内核则使用 embedding_quantize: torchao:<bitwidth>,<groupsize> （bitwidth可以是 1 到 8）。

# path/to/config.yaml
base:
  model_class: llama3_2
  checkpoint: path/to/consolidated.00.pth
  params: path/to/params.json
  metadata: '{"get_bos_id":128000, "get_eos_ids":[128009, 128001]}'
model:
  use_kv_cache: True
  use_sdpa_with_kv_cache: True
quantization:
  embedding_quantize: 4,32
  qmode: 8da4w

# export_llm
python -m extension.llm.export.export_llm \
  --config path/to/config.yaml

pt2e (QNN, CoreML, and Vulkan)

pt2e 在导出后图层面进行量化，交换节点并注入量化/解量化节点。 对于非 CPU 后端（QNN、CoreML、Vulkan）进行量化，这就是应遵循的量化路径。 阅读更多关于 pt2e 的内容请见此处，以及 ExecuTorch 如何使用 pt2e 请见此处。

后端支持

后端选项由 BackendConfig 定义。每个后端都有自己的后端配置选项。这里有一个将 LLM 降为 XNNPACK 以实现 CPU 加速的示例：

# path/to/config.yaml
base:
  model_class: llama3_2
  checkpoint: path/to/consolidated.00.pth
  params: path/to/params.json
  metadata: '{"get_bos_id":128000, "get_eos_ids":[128009, 128001]}'
model:
  use_kv_cache: True
  use_sdpa_withp_kv_cache: True
quantization:
  embedding_quantize: 4,32
  qmode: 8da4w
backend:
  xnnpack:
    enabled: True
    extended_ops: True  # Expand the selection of ops delegated to XNNPACK.

性能分析和调试

要查看哪些操作被委派到后端，哪些没有，请指定verbose: True：

# path/to/config.yaml
...
debug:
  verbose: True
...

在日志中，会有一个表格，包含图中的所有运算操作，以及哪些被委派了，哪些没有被委派。

例如：

更具体的信息，参见 此处。

参考文档

1. PyTorch - Exporting LLMs