llama2-webui: 本地部署Llama 2模型的开源UI工具

llama2-webui:让Llama 2模型在本地运行的开源UI工具

llama2-webui是一个开源项目,旨在让用户能够在本地GPU或CPU上轻松部署和使用Llama 2大语言模型。这个项目由GitHub用户liltom-eth开发,为Llama 2模型提供了一个友好的Web用户界面,支持多种模型和后端,是一个功能强大而灵活的Llama 2本地部署工具。

主要特性

llama2-webui具有以下主要特性:

1. 支持多种Llama 2模型:包括7B、13B、70B等不同规模的模型,以及GPTQ、GGML、GGUF等不同格式的模型。

2. 多种后端支持:可以使用transformers、bitsandbytes(8位推理)、AutoGPTQ(4位推理)和llama.cpp等不同的后端。

3. 灵活的部署选项:可以在GPU或CPU上运行,支持Linux、Windows和Mac等多种操作系统。

4. 友好的Web界面:使用gradio构建的Web UI,操作简单直观。

5. 代码补全功能:为Code Llama模型提供了专门的代码补全/填充界面。

6. OpenAI兼容API:提供与OpenAI API兼容的接口,方便与现有工具集成。

7. 性能基准测试:内置基准测试脚本,可以测试不同配置下的性能表现。

安装和使用

llama2-webui的安装非常简单,有两种方式:

1. 通过PyPI安装:

pip install llama2-wrapper

2. 从源码安装:

git clone https://github.com/liltom-eth/llama2-webui.git
cd llama2-webui
pip install -r requirements.txt

安装完成后,可以通过运行app.py来启动Web UI:

python app.py

默认情况下,它会使用llama.cpp作为后端,运行llama-2-7b-chat.ggmlv3.q4_0.bin模型。你也可以通过修改.env文件来自定义MODEL_PATH、BACKEND_TYPE等配置,以运行不同的Llama 2模型或使用不同的后端。

代码补全功能

llama2-webui还为Code Llama模型提供了专门的代码补全/填充界面。可以通过以下命令启动:

python code_completion.py --model_path ./models/codellama-7b.Q4_0.gguf

这个功能特别适合用于代码填充和代码补全任务。

llama2-wrapper:灵活的后端封装

对于开发者来说,llama2-webui项目还提供了一个名为llama2-wrapper的Python包,可以作为Llama 2的本地后端使用。这个包已经发布到PyPI,可以通过pip安装:

pip install llama2-wrapper
from llama2_wrapper import LLAMA2_WRAPPER, get_prompt

llama2_wrapper = LLAMA2_WRAPPER()
prompt = "Do you know Pytorch"
answer = llama2_wrapper(get_prompt(prompt), temperature=0.9)

llama2-wrapper支持多种后端和模型,为开发者提供了极大的灵活性。

OpenAI兼容API

llama2-webui还提供了一个与OpenAI API兼容的Web服务器。这允许你使用Llama 2模型来替代OpenAI的API,与任何兼容OpenAI的客户端、库或服务进行集成。启动方式如下:

python -m llama2_wrapper.server

默认情况下,它会使用llama.cpp作为后端运行llama-2-7b-chat.ggmlv3.q4_0.bin模型。你可以通过访问http://localhost:8000/docs来查看OpenAPI文档。

性能基准测试

llama2-webui内置了性能基准测试脚本,可以测试不同配置下的性能表现。以下是一些基准测试结果:

模型	精度	设备	RAM / GPU VRAM	速度 (tokens/sec)	加载时间 (s)
Llama-2-7b-chat-hf	8 bit	NVIDIA RTX 2080 Ti	7.7 GB VRAM	3.76	641.36
Llama-2-7b-Chat-GPTQ	4 bit	NVIDIA RTX 2080 Ti	5.8 GB VRAM	18.85	192.91
Llama-2-7b-Chat-GPTQ	4 bit	Google Colab T4	5.8 GB VRAM	18.19	37.44
llama-2-7b-chat.ggmlv3.q4_0	4 bit	Apple M1 Pro CPU	5.4 GB RAM	17.90	0.18
llama-2-7b-chat.ggmlv3.q4_0	4 bit	Apple M2 CPU	5.4 GB RAM	13.70	0.13
llama-2-7b-chat.ggmlv3.q4_0	4 bit	Apple M2 Metal	5.4 GB RAM	12.60	0.10

这些数据可以帮助用户了解在不同硬件和配置下的性能表现,从而选择最适合自己需求的设置。

模型下载

llama2-webui支持多种Llama 2模型,包括原始的Llama 2模型以及经过量化的GPTQ和GGML模型。以下是一些常用模型的下载链接:

• Llama-2-7b-chat-hf
• Llama-2-13b-chat-hf
• Llama-2-70b-chat-hf
• Llama-2-7b-Chat-GPTQ
• Llama-2-7b-Chat-GGUF

注意,下载原始的Llama 2模型需要在Meta AI的网站申请访问权限。而GPTQ和GGML等量化模型则可以直接下载使用。

运行技巧

1. 在Nvidia GPU上运行:

   • Llama-2-7b需要约14GB的GPU VRAM
   • Llama-2-13b需要约28GB的GPU VRAM
   • 如果GPU显存不足,可以尝试8位量化或4位量化模型

2. 8位量化: 在.env文件中设置LOAD_IN_8BIT=True可以将内存使用减少约一半,但模型质量会略有下降。

3. 4位GPTQ: 使用Llama-2-7b-Chat-GPTQ等4位模型,只需要6GB显存即可运行。

4. CPU运行: 使用llama.cpp后端可以在CPU上运行Llama 2模型,4位量化的llama-2-7b-chat.ggmlv3.q4_0.bin模型只需要6GB内存。

5. Mac上的Metal加速: Mac用户可以设置Metal加速来提升性能。

开源贡献

llama2-webui是一个开源项目,欢迎社区贡献。项目使用MIT许可证,允许用户自由地修改和使用。如果你对项目感兴趣,可以查看贡献指南了解如何参与开发。

总结

llama2-webui为Llama 2模型提供了一个功能强大、易于使用的本地部署解决方案。无论是个人用户还是开发者,都可以通过这个工具轻松地在本地运行和使用Llama 2模型。它支持多种模型和后端,提供了友好的Web界面和灵活的API,是探索和应用Llama 2模型的理想工具。

随着大语言模型技术的快速发展,像llama2-webui这样的开源项目为更多人提供了接触和使用先进AI模型的机会。它不仅降低了使用门槛,也为AI技术的民主化和普及做出了重要贡献。相信随着社区的不断贡献和改进,llama2-webui会变得更加强大和易用,为AI领域的发展注入新的活力。