GGUF简介
在人工智能领域，大型语言模型的发展日新月异，它们在自然语言处理、机器翻译、智能助手等多个领域展现出了前所未有的能力。然而，随着模型规模的不断扩大，这些庞大的神经网络模型在存储、传输和加载上面临着一系列挑战。传统的文件格式在处理这些庞大的数据集时显得力不从心，不仅效率低下，而且兼容性和扩展性也难以满足日益增长的需求。
在这样的背景下，GGUF（GPT-Generated Unified Format）应运而生。由开发者Georgi Gerganov提出，GGUF格式是专为大型语言模型设计的二进制文件格式，旨在解决当前大模型在实际应用中遇到的存储效率、加载速度、兼容性和扩展性等问题。GGUF通过优化数据结构和编码方式，显著提升了模型文件的存储效率，同时保证了快速的加载性能。此外，它的设计考虑了跨平台和跨框架的兼容性，使得模型能够无缝地在不同的硬件和软件环境中运行，极大地促进了大型模型的广泛应用和进一步发展。
当前，GGUF格式广泛应用于各类大模型的部署和分享，特别是在Hugging Face等开源社区中广受欢迎。GGUF格式模型在实际使用中体现出的主要特点和优势包括：
- 高效存储：GGUF格式优化了数据的存储方式，减少了存储空间的占用，这对于大型模型尤为重要，因为它们通常包含大量的参数。
- 快速加载：GGUF格式支持快速加载模型数据，这对于需要即时响应的应用场景非常有用，比如在线聊天机器人或实时翻译系统。
- 兼容性：作为一种统一的格式，GGUF旨在提高不同平台和框架之间的兼容性，使得模型可以在不同的环境和硬件上无缝运行。
- 可扩展性：随着模型规模的不断扩大，GGUF格式设计时考虑到了未来的扩展性，以适应更大规模的模型和更复杂的数据结构。
本文以下部分将着重介绍当下源大模型对于GGUF格式的支持情况以及开发者在实际使用体验过程中如何使用GGUF格式的模型进行部署、推理、量化等技术细节。
Yuan2.0-2B模型的GGUF应用
Yuan2.0模型简介
源2.0 是浪潮信息发布的新一代基础语言大模型。我们开源了全部的3个模型源2.0-102B，源2.0-51B和源2.0-2B。并且我们提供了预训练，微调，推理服务的相关脚本，以供研发人员做进一步的开发。源2.0是在源1.0的基础上，利用更多样的高质量预训练数据和指令微调数据集，令模型在语义、数学、推理、代码、知识等不同方面具备更强的理解能力。
更多详情请参考Yuan2.0模型
- 技术报告
https://arxiv.org/ftp/arxiv/papers/2311/2311.15786.pdf
- Github
https://github.com/IEIT-Yuan/Yuan-2.0
本项目基于llama.cpp（version：b1742）在Windows系统（CPU Only）上对源2.0-2B模型的适配。本项目的Github地址为:
llamacpp for Yuan
https://github.com/IEIT-Yuan/3rd_party/
由于源2.0模型结构与llama结构存在差异，针对源2.0模型（Yuan2.0-2B）模型LFA结构，进行如下修改：
- llama计算图中添加LFA结构，修改ggml_conv_1d逻辑，以适配源2.0，保证前后序列长度不变；
- llama计算图中添加q、k混合相关的逻辑；
- 修改IM2COL算子，修改数组的读取方式；
- 修改ADD算子，将卷积模块的输出进行转置，以适配后面的计算；
- 修改concat算子，以适配q、k混合的逻辑；
- 支持多线程推理，加速生成速率；
目前支持fp16精度模型的gguf文件转换，后续会持续进行其他精度的工作。
Yuan2.0-2B模型的GGUF应用
实现对Yuan2.0-2B模型的GGUF格式转换需要克隆llamacpp for Yuan项目到本地并进入工作目录。
格式转化
对已有的hf格式模型转化为GGUF格式
python convert.py --model yuan2b-hf\yuan2-2B --outfile zh-models/Yuan2-2B-Februa-hf-GGUF.gguf
编译
下一步为了使用对GGUF格式模型调用并部署推理，我们需要编译该项目，同样在该项目的工作目录执行编译。
对于Linux和MacOS系统，可以使用make工具，在工作目录下执行
make
对于Windows系统，可以使用cmake工具，在工作目录下执行
mkdir build cd build cmake .. cmake --build . --config Release
模型测试
成功完成上述编译后，工作目录会生成编译好的可执行文件 main.exe，下一步我们就使用该文件进行GGUF格式模型的调用和推理测试。
我们使用的测试环境配置如下：
- python3.9
- 11th Gen Intel(R) Core(TM) i5-1145G7 @2.60GHz 2.61GHz
- 8.00GB RAM
- Windows 10专业版（21H1）
我们以”北京简介“为prompt对先前转化出来的GGUF格式Yuan2.0-2B模型进行测试，记得将下方代码中的模型路径替换为您设备上GGUF格式模型存储的路径。
main.exe -m D:\\llama-cpp\\llama.cpp\\zh-models\\Yuan2-2B-Februa-hf-GGUF.gguf -p "北京简介" -n 400 --top-k 5 --threads 4
在我们的测试环境下得到的终端输出如下所示
llama_new_context_with_model: n_ctx = 512 llama_new_context_with_model: freq_base = 10000.0 llama_new_context_with_model: freq_scale = 1 llama_new_context_with_model: KV self size = 96.00 MiB, K (f16): 48.00 MiB, V (f16): 48.00 MiB llama_build_graph: non-view tensors processed: 628/820 llama_build_graph: **************************************************************** llama_build_graph: not all non-view tensors have been processed with a callback llama_build_graph: this can indicate an inefficiency in the graph implementation llama_build_graph: build with LLAMA_OFFLOAD_DEBUG for more info llama_build_graph: ref: https://github.com/ggerganov/llama.cpp/pull/3837 llama_build_graph: **************************************************************** llama_new_context_with_model: compute buffer total size = 270.94 MiB Model metadata: {'tokenizer.ggml.add_eos_token': 'true', 'tokenizer.ggml.padding_token_id': '77185', 'tokenizer.ggml.seperator_token_id': '77185', 'tokenizer.ggml.eos_token_id': '77185', 'general.architecture': 'llama', 'llama.context_length': '8192', 'general.name': 'E:\\ckpts\\yuan2b-hf', 'tokenizer.ggml.add_bos_token': 'true', 'llama.embedding_length': '2048', 'llama.feed_forward_length': '8192', 'llama.attention.layer_norm_rms_epsilon': '0.000001', 'llama.rope.dimension_count': '64', 'llama.attention.head_count': '32', 'tokenizer.ggml.bos_token_id': '77185', 'llama.block_count': '24', 'llama.attention.head_count_kv': '32', 'tokenizer.ggml.model': 'llama', 'general.file_type': '1'} 北京是中国的首都，是华北地区的中心城市。它是中国政治、文化和经济的中心，也是中国最大的城市之一。北京具有悠久的历史和丰富的文化遗产，包括长城、故宫、天坛等世界闻名的古迹，以及现代化的摩天大楼和购物中心。 北京也是中国的教育和科研中心，拥有众多高等院校和科研机构，为中国培养了许多杰出人才。此外，北京还是中国重要的商业和交通中心，拥有众多的商业区和购物中心。 北京还是一个旅游胜地，吸引着大量的国内外游客前来参观和旅游。著名的景点包括故宫博物院、颐和园、天坛公园、八达岭长城等。这些景点都有着独特的历史文化背景和壮观的自然风光，给人们带来了不同的体验。 总的来说，北京是一个历史悠久、文化底蕴丰富、旅游胜地众多的城市，值得一游。无论是对于艺术爱好者、历史文化爱好者还是自然探索者，北京都有着不可多得的体验。 llama_print_timings: load time = 579.04 ms llama_print_timings: sample time = 126.74 ms / 193 runs ( 0.66 ms per token, 1522.81 tokens per second) llama_print_timings: prompt eval time = 578.98 ms / 4 tokens ( 144.74 ms per token, 6.91 tokens per second) llama_print_timings: eval time = 20562.87 ms / 192 runs ( 107.10 ms per token, 9.34 tokens per second) llama_print_timings: total time = 22961.55 ms
此外，我们还对比了在相同任务下GGUF格式和原始hf格式模型的推理性能和内存占用情况，结果如下表格所示：
| 推理性能 |
GGUF格式（C++） |
HF格式（Python） |
加速比 |
| 9.16 tokens/s |
1.21 tokens/s |
7.57 |
|
| 内存占用 |
GGUF格式（C++） |
HF格式（Python） |
内存占比（GGUF/HF） |
| ~0.4 GB |
~8.6 GB |
4.65% |
从上方表格的结果我们不难看出使用GGUF格式模型可以显著提升模型部署后的推理速度，同时可以有效降低模型使用时对于内存的占用。
结论
本文深入探讨了GGUF（GPT-Generated Unified Format）格式在大型语言模型领域的应用，及其在提高模型存储效率、加载速度、兼容性和可扩展性方面的重要性。通过对Yuan2.0-2B模型的适配和测试，我们验证了GGUF格式在实际应用中的高效性和稳定性。测试结果表明，使用GGUF格式的模型在推理速度和内存占用方面均优于传统的HF格式，这不仅提高了模型的运行效率，也降低了资源消耗。
最后，GGUF格式的可扩展性为未来更大规模模型的发展提供了支持，确保了格式能够适应不断进步的技术需求。随着开源社区和开发者的不断贡献，GGUF格式有望成为大型语言模型部署和分享的新标准，进一步推动人工智能技术的创新和发展。Yuan2.0系列模型也将持续支持GGUF格式，为开发者带来更好的使用体验。
关于源大模型的更多信息
更多信息，请访问以下页面
YuanChat Github 项目主页：
GitHub - IEIT-Yuan/YuanChat
Yuan 2.0 Github 项目主页：
GitHub - IEIT-Yuan/Yuan-2.0: Yuan 2.0 Large Language Model
Yuan 2.0-M32 Github 项目主页：
Github Yuan2.0-M32
Yuan 2.0 系列模型Hugging Face 主页：
https://huggingface.co/IEITYuan
Yuan 2.0 系列模型Modelscope 主页：
