v100显卡，加载量化模型Yi-34B-Chat-4bits，推理速度很慢

[zxdposter]

Reminder

• I have searched the Github Discussion and issues and have not found anything similar to this.

Environment

- OS: Centos7.9
- Python: 3.11.6
- PyTorch: 2.1.2
- CUDA: 12.4

Current Behavior

v100显卡，加载量化模型Yi-34B-Chat-4bits，推理速度很慢，要200秒左右，显存占了20G，还有10G空余
请问有办法解决吗？

我查过 issue，有几个人遇到了，但是都没有解决方法。

Expected Behavior

No response

Steps to Reproduce

model_id = '/home/Yi-34B-Chat-4bits'

nf4_config = GPTQConfig(
    bits=4,
    use_exllama=True,
    max_input_length=2048,
    use_cuda_fp16=True
)

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    device_map="auto",
    torch_dtype="auto",
    quantization_config=nf4_config,
).eval()

tokenizer = AutoTokenizer.from_pretrained(model_id, use_fast=False, trust_remote_code=True)

DEVICE = "cuda"
DEVICE_ID = "0"
CUDA_DEVICE = f"{DEVICE}:{DEVICE_ID}" if DEVICE_ID else DEVICE
device_use = torch.device(CUDA_DEVICE)
model = model.to(device_use)

def chat(input):
    input_ids = tokenizer.apply_chat_template(conversation=[{"role": "user", "content": input}], tokenize=True,
                                              add_generation_prompt=True,
                                              return_tensors='pt')
    output_ids = model.generate(input_ids.to(device_use))
    response = tokenizer.decode(output_ids[0][input_ids.shape[1]:], skip_special_tokens=True)
    return response

time1 = time.time()
result = chat('你是谁')
print(f'耗时{time.time() - time1}', result)

输出结果：
耗时194.49595594406128 我是零一万物开发的一个智能助手，我叫 Yi，我是由零一万物的研究员们通过大量的文本数据进行训练，学习了语言的各种模式和关联，从而能够生成文本、回答问题、翻译语言的。我可以帮助用户解答问题、提供信息，以及进行各种语言相关的任务。我并不是一个真实的人，而是由代码和算法构成的，但我尽力模仿人类的交流方式，以便更好地与用户互动。如果你有任何问题或需要帮助，请随时告诉我！

Anything Else?

No response

[lyan62]

@zxdposter 你好请问34B inference需要几张显卡？需要多卡吗？

[ffhelly]

same too. 8x 4090 . so slow.

[devillaws]

你好，请问你的gptq版本是多少，官网没看到针对pytorch2.1.2的autogptq版本耶

[zxdposter]

@lyan62 大概需要20-30G显存

[GoodDayUp]

确实太慢了，有什么好的方法吗

[ChinesePainting]

可能是你直接pip install -r requirements.txt导致的torch不可用。
你检查下torch能不能用，或者启动模型时是不是有CUDA extension not installed.
我重新配了个环境解决了：
1.把requirements.txt里的torch那行去掉。
2.找对应你CUDA版本的pytorch版本，比如我cuda11.8.我看到gptq最低支持到pytorch2.1.0。
3.下面是我所有的安装命令：
conda install pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 pytorch-cuda=11.8 -c pytorch -c nvidia
（https://pytorch.org/get-started/previous-versions/）
pip install -r requirements.txt
（txt已经去掉了torch）
pip install auto-gptq==0.5.1 --extra-index-url https://huggingface.github.io/autogptq-index/whl/cu118/
（https://github.com/AutoGPTQ/AutoGPTQ/blob/main/docs/INSTALLATION.md）
pip install --upgrade transformers optimum
（因为这里显示我没有optimum库，一起把这俩更新保证兼容）
然后我就发现比之前快的多

[zxdposter]

可能是你直接pip install -r requirements.txt导致的torch不可用。 你检查下torch能不能用，或者启动模型时是不是有CUDA extension not installed. 我重新配了个环境解决了： 1.把requirements.txt里的torch那行去掉。 2.找对应你CUDA版本的pytorch版本，比如我cuda11.8.我看到gptq最低支持到pytorch2.1.0。 3.下面是我所有的安装命令： conda install pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 pytorch-cuda=11.8 -c pytorch -c nvidia （https://pytorch.org/get-started/previous-versions/） pip install -r requirements.txt （txt已经去掉了torch） pip install auto-gptq==0.5.1 --extra-index-url https://huggingface.github.io/autogptq-index/whl/cu118/ （https://github.com/AutoGPTQ/AutoGPTQ/blob/main/docs/INSTALLATION.md） pip install --upgrade transformers optimum （因为这里显示我没有optimum库，一起把这俩更新保证兼容） 然后我就发现比之前快的多

@ChinesePainting 感谢提供解决方法，后续我尝试一下。