конвертация модели для быстрого запуска на процессорах Intel
schedule 2 мин чтения
Эта модель представляет собой готовый к работе вариант популярной языковой модели Llama-3.1-8B-Instruct, переведенный в формат OpenVINO с квантованием весов в INT8 (целочисленный формат с пониженной точностью). Конвертация выполнена с помощью инструментов Optimum Intel и OpenVINO, что позволяет эффективно запускать модель на потребительских процессорах и интегрированных графических чипах без использования дискретных видеокарт. Модель сохраняет контекст в 128k токенов и поставляется со встроенным шаблоном для диалогов. Она пригодится разработчикам и энтузиастам, которые хотят запускать современные текстовые модели локально на обычном «железе» с минимальными требованиями к видеопамяти.
Ключевые особенности
Оптимизация под OpenVINO: веса модели квантованы в INT8 для снижения потребления памяти и ускорения инференса на CPU.
Совместимость с железом: возможность запуска на стандартных процессорах Intel без мощных графических ускорителей.
Длинный контекст: поддержка последовательностей длиной до 128k токенов.
Готовность к диалогу: наличие встроенного шаблона чата (chat template) для удобной работы в интерактивном режиме.
Что можно сделать
Локальный запуск на CPU: развернуть языкового помощника на обычном ноутбуке или персональном компьютере с процессором Intel.
Интеграция в Python: использовать модель в скриптах и приложениях через библиотеку optimum-intel.
Применение в C++: задействовать пайплайн OpenVINO GenAI для быстрого внедрения в нативные проекты.
Пример
from optimum.intel import OVModelForCausalLM
from transformers import AutoTokenizer
model = OVModelForCausalLM.from_pretrained("Nekodeus/llama-3.1-8b-instruct-openvino")
tokenizer = AutoTokenizer.from_pretrained("Nekodeus/llama-3.1-8b-instruct-openvino")
messages = [{"role": "user", "content": "Explain photosynthesis in two sentences."}]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(prompt, return_tensors="pt")
print(tokenizer.decode(model.generate(**inputs, max_new_tokens=64)[0]))
Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.
Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.
HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.
# Nekodeus/llama-3.1-8b-instruct-openvino — A30, FP8 / INT8
# Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
. /etc/os-release && \
curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
sudo apt-get update && \
sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
{ echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
exit 0
fi
curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env"
uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
uv pip install vllm
vllm serve Nekodeus/llama-3.1-8b-instruct-openvino --max-model-len 8192 --quantization fp8
Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.
Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.
Как ускорить
Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.
Комментарии