vllm AWQ量化内存使用 ``` AWQ量化内存使用 ```

ni65a41a 于 2个月前发布在其他

关注(0)|答案(4)|浏览(39)

你好！首先，非常感谢你在这个推理引擎上所做的工作！

我遇到了一个问题：我已经使用AutoAWQ对模型进行了量化。然而，无论是Mistral指令模型还是其AWQ量化版本，它们似乎都使用了大约相同的GPU内存。而我原本预期AWQ量化版本使用的内存会少得多。

这是使用Mistral模型的GPU内存情况：

这是使用AWQ量化Mistral模型的GPU内存情况：

在运行entrypoints/openai/api_server.py时，我主要使用了默认参数，除了--max-model-len 24000和--enforce-eager。起初我认为vllm由于--gpu-memory-utilization的原因会预留90%的GPU内存，但事实并非如此，因为两个模型的实际利用率并不相等，而且也不是总GPU内存的90%。

你能解释一下这里发生了什么以及原因吗？
非常感谢！

vllm

来源：https://github.com/vllm-project/vllm/issues/2948

4条答案

按热度按时间

mbzjlibv1#

我认为vLLM预先分配了您需要的最大序列长度(在您的情况下为24000)所需的内存。因此，您应该能够在输入长度为24000的情况下使用vLLM运行推理而不会出现OOM(在我看来，这对于您的第一个情况可能会导致OOM,因为它只是加载了模型？)。

实际上我不确定这一点，我也想了解更多关于它的工作原理！

赞(0）回复(0）举报 2个月前

a0zr77ik2#

在黑暗中瞎猜，但你试过指定 --quantization awq 吗？我相信如果那个参数没有设置，它会尝试从 hf 模型配置中推断量化类型。因此，如果你在量化的 hf 模型中没有声明元数据，它将假设没有量化，并将所有权重加载到具有未量化 dtype 的Tensor中。话虽如此，我还没有进行代码深入研究，所以关于那部分可能我错了。

赞(0）回复(0）举报 2个月前

czfnxgou3#

在int4量化模型中，您可以使用占用较少GPU内存的参数--gpu-memory-utilization。对于Llama3-8B,使用4位量化时，此参数可以设置为最小值0.6(约12GB),但不能使用原始的fp16模型(约19GB)!

赞(0）回复(0）举报 2个月前

csbfibhn4#

NVIDIA A10 24GB

赞(0）回复(0）举报 2个月前