快速调用 GLM-4-9B-Chat 语言模型

一、确认本机显卡配置

二、下载大模型

国内可以从魔搭社区下载，

下载地址：https://modelscope.cn/models/ZhipuAI/glm-4-9b-chat/files

三、运行官方代码

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

device = "cuda"

tokenizer = AutoTokenizer.from_pretrained("E:\openai\ChatGLM4\glm-4-9b-chat", trust_remote_code=True)

query = "你好"

inputs = tokenizer.apply_chat_template([{"role": "user", "content": query}],
                                       add_generation_prompt=True,
                                       tokenize=True,
                                       return_tensors="pt",
                                       return_dict=True
                                       )

inputs = inputs.to(device)
model = AutoModelForCausalLM.from_pretrained(
    "E:\openai\ChatGLM4\glm-4-9b-chat",
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    trust_remote_code=True
).to(device).eval()

gen_kwargs = {"max_length": 2500, "do_sample": True, "top_k": 1}
with torch.no_grad():
    outputs = model.generate(**inputs, **gen_kwargs)
    outputs = outputs[:, inputs['input_ids'].shape[1]:]
    print(tokenizer.decode(outputs[0], skip_special_tokens=True))

结果如下

中间需要安装环境，建议用anaconda来安装

官方文档中说到可以用vLLM的方式跑起来，即CPU的方式

使用 transformers 后端进行推理 使用 vLLM 后端进行推理: 区别是什么

使用不同的后端进行推理，主要区别在于性能、灵活性和易用性方面。以下是使用transformers后端和vLLM后端进行推理的一些区别：

1. 性能：transformers后端使用硬件加速（如GPU、TPU等）进行推理，因此在处理大量数据和复杂模型时具有更高的性能。而vLLM后端使用CPU进行推理，性能相对较低，但适用于轻量级模型和移动设备。

2. 灵活性：transformers后端支持多种预训练模型和任务，如文本分类、命名实体识别、机器翻译等。您可以根据需求选择合适的模型。vLLM后端主要针对轻量级语言模型，适用于文本生成和补全任务。

3. 易用性：transformers后端提供了丰富的API和工具，方便用户进行模型加载、推理和部署。vLLM后端相对较简单，易于在移动设备和嵌入式设备上集成和使用。

4. 资源消耗：transformers后端在推理过程中可能消耗较多的计算资源和内存，尤其是在使用大型模型时。vLLM后端资源消耗相对较低，适合在资源受限的环境中运行。

总之，选择哪种后端进行推理取决于您的具体需求，包括任务类型、性能要求、资源限制等因素。如果需要高性能、灵活性和丰富的功能，可以选择transformers后端；如果关注轻量级、易于集成和低资源消耗，可以选择vLLM后端。

python安装vLLM的时候报错，只能装在linux上