作者：虞曉瓊 博士

東莞職業技術學院

本文從搭建環境開始，一步一步幫助讀者實現只用五行代碼便可將Llama3.1模型部署在英特爾酷睿Ultra 處理器上。請把文中范例代碼下載到本地：

 git clone https://gitee.com/Pauntech/llama3.1-model.git

1.1Meta Llama3.1簡介

7月24日，Meta宣布推出迄今為止最強大的開源模型——Llama 3.1 405B，同時發布了全新升級的Llama 3.1 70B和8B模型。

Llama 3.1 405B支持上下文長度為128K Tokens，在基于15萬億個Tokens、超1.6萬個H100 GPU上進行訓練，研究人員基于超150個基準測試集的評測結果顯示，Llama 3.1 405B可與GPT-4o、Claude 3.5 Sonnet和Gemini Ultra等業界頭部模型媲美。

引用自：https://ai.meta.com/research/publications/the-llama-3-herd-of-models

魔搭社區已提供Llama3.1模型的預訓練權重下載，實測下載速度平均35MB/s。

請讀者用下面的命令把Meta-Llama-3.1-8B-Instruct模型的預訓練權重下載到本地待用。

 git clone --depth=1 https://www.modelscope.cn/LLM-Research/Meta-Llama-3.1-8B-Instruct.git

1.2英特爾酷睿Ultra處理器簡介

英特爾酷睿Ultra處理器內置CPU+GPU+NPU 的三大 AI 引擎，賦能AI大模型在不聯網的終端設備上進行推理計算。

1.3Llama3.1模型的INT4量化和本地部署

把Meta-Llama-3.1-8B-Instruct模型的預訓練權重下載到本地后，接下來本文將依次介紹使用optimum-cli工具將Llama3.1模型進行INT4量化，并調用optimum-intel完成Llama3.1模型在英特爾酷睿 Ultra 處理器上的部署。

Optimum Intel作為Transformers和Diffusers庫與Intel提供的各種優化工具之間的接口層，它給開發者提供了一種簡便的使用方式，讓這兩個庫能夠利用Intel針對硬件優化的技術，例如：OpenVINO、IPEX等，加速基于Transformer或Diffusion構架的AI大模型在英特爾硬件上的推理計算性能。

Optimum Intel代碼倉鏈接：https://github.com/huggingface/optimum-intel

1.3.1搭建開發環境

請下載并安裝Anaconda，然后用下面的命令創建并激活名為llama31的虛擬環境，然后安裝Optimum Intel和其依賴項openvino與nncf。

conda create -n llama31 python=3.11  #創建虛擬環境
conda activate llama31     #激活虛擬環境
python -m pip install --upgrade pip  #升級pip到最新版本
pip install optimum-intel[openvino,nncf] #安裝Optimum Intel和其依賴項openvino與nncf
pip install -U transformers    #升級transformers庫到最新版本

1.3.2用optimum-cli

對Llama3.1模型進行INT4量化

optimum-cli是Optimum Intel自帶的跨平臺命令行工具，可以不用編寫量化代碼，用命令實現對Llama3.1模型的量化并轉化為OpenVINO格式模型：

optimum-cli export openvino --model D:Meta-Llama-3.1-8B-Instruct --task text-generation-with-past --weight-format int4 --group-size 128 --ratio 0.8 --sym llama31_int4

optimum-cli命令的參數意義如下：

--model指定了被量化的模型路徑；

--task指定了任務類型；

--weight-format指定了模型參數精度；

--group-size定義了量化過程中的組大??；

--ratio決定了量化過程中保留的權重比例；

--sym表示量化采用的對稱性模式。

1.3.3編寫推理程序llama31_ov_infer.py

基于Optimum Intel工具包的API函數編寫Llama3的推理程序，非常簡單，只需五行代碼：

1. 調用OVModelForCausalLM.from_pretrained()載入使用optimum-cli優化過的模型

2. 調用AutoTokenizer.from_pretrained()載入模型的分詞器

3. 創建一個用于文本生成的pipeline(流水線)

4. 使用pipeline進行推理計算

5. 輸出生成的文本結果

Llama3.1模型的推理計算程序如下所示：

# 導入所需的庫和模塊
from transformers import AutoConfig, AutoTokenizer, pipeline
from optimum.intel.openvino import OVModelForCausalLM
# 設置OpenVINO編譯模型的配置參數，這里優先考慮低延遲
config = {
  "PERFORMANCE_HINT": "LATENCY",       # 性能提示選擇延遲優先
  "CACHE_DIR": ""               # 模型緩存目錄為空，使用默認位置
}
# 指定llama3.1 INT4模型的本地路徑
model_dir = r"D:llama31_int4"


# 設定推理設備為GPU，可根據實際情況改為"CPU"或"AUTO"
DEVICE = "GPU"
# 輸入的問題示例，可以更改
question = "In a tree, there are 7 birds. If 1 bird is shot, how many birds are left?"
# 載入使用optimum-cli優化過的模型，配置包括設備、性能提示及模型配置
ov_model = OVModelForCausalLM.from_pretrained(
  model_dir,
  device=DEVICE,
  ov_config=config,
  config=AutoConfig.from_pretrained(model_dir, trust_remote_code=True), # 加載模型配置，并信任遠程代碼
  trust_remote_code=True,
)
# 根據模型目錄加載tokenizer，并信任遠程代碼
tok = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)
# 創建一個用于文本生成的pipeline，指定模型、分詞器以及最多生成的新token數
pipe = pipeline("text-generation", model=ov_model, tokenizer=tok, max_new_tokens=100)
# 使用pipeline對問題進行推理
results = pipe(question)
# 打印生成的文本結果
print(results[0]['generated_text'])

運行llama31_ov_infer.py，結果如下所示：

1.4構建基于Llama3.1模型的聊天機器人

請先安裝依賴軟件包：

pip install gradio mdtex2html streamlit -i https://mirrors.aliyun.com/pypi/simple/

然后運行：python llama31_chatbot.py，結果如下所示：

1.5總結

基于OpenVINO的Optimum Intel工具包簡單易用，僅需一個命令即可實現LLama3.1模型INT4量化，五行代碼即可完成推理程序開發并本地化運行在英特爾酷睿 Ultra 處理器上。